摘要
近年来，基于较小且多样性不足的数据集训练的深度神经网络模型，常采用数据增强技术以缓解过拟合、鲁棒性下降以及泛化能力不足等问题。在三维数据集上，常用的数据增强方法包括随机点删除、缩放、平移、旋转和抖动等。然而，这些传统数据增强技术通常为固定操作，且普遍作用于整个物体，忽视了物体表面局部几何结构的差异性。事实上，物体表面不同局部区域所包含的几何复杂度各不相同。若在物体整体层面统一应用相同的增强策略，对于几何结构复杂的局部区域而言，其增强效果往往有限。为此，本文提出一种名为PatchAugment的数据增强框架，旨在针对物体表面的不同局部邻域，分别施加适配的增强操作。在PointNet++与DGCNN模型上的实验结果表明，PatchAugment在三维点云分类任务中具有显著有效性。我们基于四个基准数据集——ModelNet40（合成数据）、ModelNet10（合成数据）、SHREC’16（合成数据）以及ScanObjectNN（真实世界数据）——对所提方法进行了全面评估，验证了其在多种场景下的优越性能。