摘要
点云分类的鲁棒性对于实际应用至关重要，因为消费级3D传感器通常会产生部分缺失且噪声较多的数据，且易受多种伪影影响。本文提出一种通用的集成框架，基于部分点云采样策略。该框架中每个集成成员仅接收部分输入数据。我们联合采用三种采样策略：两种局部采样方法（基于局部块和曲线），以及一种全局随机采样方法。实验表明，所提方法对各类局部与全局退化均具有显著的鲁棒性。结果表明，该框架可大幅提升主流分类网络的鲁棒性，性能提升幅度显著。实验基于Ren等人[24]近期提出的ModelNet-C数据集进行，无论在未增强数据还是增强数据上，均取得了当前最优（SOTA）性能。在未增强数据上，平均退化误差（mCE）达到0.64（当前SOTA为0.86）；在增强数据上，mCE降至0.50（当前SOTA为0.57）。我们通过多样性分析对这些优异结果进行了深入探讨与解释。代码已开源，地址为：https://github.com/yossilevii100/EPiC