摘要
在3D计算机视觉应用领域，点云少样本学习发挥着关键作用。然而，由于数据的稀疏性、不规则性和无序性，这一任务面临着艰巨的挑战。目前的方法依赖于复杂的局部几何提取技术，如卷积、图神经网络和注意力机制，并且需要进行大量的数据驱动预训练任务。这些方法与少样本学习的基本目标相悖，即实现高效的学习。为了解决这一问题，我们提出了一种轻量级且计算高效的几何原型网络——GPr-Net（Geometric Prototypical Network），该网络能够捕捉点云的内在拓扑结构并取得优异性能。我们所提出的方法IGI++（Intrinsic Geometry Interpreter++）采用基于向量的手工设计内在几何解释器和拉普拉斯向量来提取和评估点云形态，从而为FSL（Few-Shot Learning）提供更好的表示。此外，拉普拉斯向量还能够在点数较少的情况下从点云中提取有价值的特征。为了应对少样本度量学习中的分布漂移挑战，我们利用了双曲空间，并证明我们的方法在处理类内和类间方差方面优于现有的点云少样本学习方法。在ModelNet40数据集上的实验结果表明，GPr-Net在点云少样本学习中超越了现有最先进方法，其计算效率比所有现有工作高出170倍。代码已公开发布在 https://github.com/TejasAnvekar/GPr-Net。