【点云系列】PointAugment: an Auto-Augmentation Framework for Point Cloud Classification

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

1. 增强器获得样本的点云；
2. 计算每点特征；
3. 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；
4. 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. $P^{\prime }$要比$P$更具挑战性，即$L(P^{\prime })\ge L(P)$;
规则2. $P^{\prime }$不能失去其形状可区分性，即与$P$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：

${\hat{y}}_c\in$