1 简介
题目:PointAugment: an Auto-Augmentation Framework for Point Cloud Classification
论文:https://arxiv.org/pdf/2002.10876.pdf
代码:https://github.com/liruihui/PointAugment/
2 Motivation
传统的增强策略是在很小范围内随机扰动,缩放和旋转输入。类似的方法对于2D数据有效,但对3D还不够。其中,形状变换和点位移决定了3D中的物体,因此主要是对形状变换和位移来做学习。
- Sample-aware。考虑到每个样本的几何结构,为每个样本回归其特定增强函数。而非通用增强策略
- 2D vs 3D 增强。 与2D增强不同,3D增强涉及更广泛的空间域。对于3D点云自然数据,考虑2种转换方式:
1)形状转换,包括 旋转、尺度变换和结合;
2)点位移,包括抖动 - 联合优化。增强器&分类器一起考虑促进优化。
3 思想
通过样本,采用对抗学习策略,共同优化增强器网络和分类器网络的工作。以便增强器可以学习产生并筛选出最适合分类器的样本。
4 算法
4.1 增强器
- 增强器获得样本的点云;
- 计算每点特征;
- 使用以下方法应用特定于样本的增强回归:
1)按形状进行回归以产生变换,得到3x3的线性矩阵,给出剪切、缩放、旋转;
2)逐点回归以产生每个点的位移; - 样本于线性矩阵相乘,并加上位移。
4.2 增强器损失
最大化网络学习,则增强器生成的样本需要满足两点规则:
规则1. P ′ P' P′要比 P P P更具挑战性,即 L ( P ′ ) ≥ L ( P ) L(P')\ge L(P) L(P′)≥L(P);
规则2. P ′ P' P′不能失去其形状可区分性,即与 P P P不能相差太悬殊。
对于要求1,最小化交叉熵损失即可,即增强器损失如下:
其中L§交叉熵如下:
y ^ c ∈ { 0 , 1 } \hat{y}_c\in \{0,1\} y^c∈