PointCutMix：点云分类的正则化策略

随着三维点云分析受到越来越多的关注，点云数据集规模不足以及网络模型泛化能力较弱的问题日益突出。本文提出一种简单而有效的点云数据增强方法——PointCutMix，以缓解上述问题。该方法通过寻找两组点云之间的最优匹配关系，并将其中一例样本中的点替换为其最优匹配点对，从而生成新的训练数据。为此，本文设计了两种替换策略，以适应不同任务对精度或鲁棒性的需求：一种是随机选择所有替换点，另一种则是选取单个随机点的k个最近邻作为替换点。两种策略均在各类点云分类任务中 consistently 且显著提升多种模型的性能。进一步地，通过引入显著性图（saliency maps）指导替换点的选择，模型性能得到进一步提升。此外，实验验证表明，PointCutMix能够有效增强模型对点攻击的鲁棒性。值得注意的是，当作为防御方法使用时，该方法在性能上超越了当前最先进的防御算法。代码已开源，地址为：https://github.com/cuge1995/PointCutMix