基于刚性混合样本的点云正则化策略

数据增强是一种有效的正则化策略，可缓解深度神经网络固有的过拟合问题。然而，尽管已有大量研究针对图像数据提出了多种数据增强方法，点云处理领域却很少将数据增强纳入考量。事实上，由于点云数据集通常规模较小，缺乏泛化能力的问题更为突出，因此正则化在点云处理中尤为重要。本文提出了一种名为刚性子集混合（Rigid Subset Mix, RSMix）的新颖点云数据增强方法，该方法通过将一个样本的部分点替换为来自另一样本的形状保持子集，生成虚拟的混合样本。RSMix利用邻域函数从每个样本中提取子集，且在提取过程中不引入形变，从而有效保留了点云样本的结构信息。该邻域函数的设计充分考虑了点云数据的独特属性，包括无序性与非网格结构。实验结果表明，RSMix能够显著提升深度神经网络的正则化效果，在形状分类任务中取得了显著性能改进。此外，基于大量消融实验，本文还系统分析了RSMix与其他数据增强方法在单视图与多视图评估下的多种组合策略。