PointCutMix: Regularisierungsstrategie für die Klassifikation von Punktwolken

Da die Analyse von 3D-Punktwolken zunehmend an Aufmerksamkeit gewinnt, werden die begrenzte Skalierung von Punktwolken-Datensätzen und die geringe Verallgemeinerungsfähigkeit von Netzwerken zunehmend problematisch. In diesem Artikel stellen wir eine einfache und effektive Erweiterungsmethode für Punktwolkendaten vor, die als PointCutMix bezeichnet wird, um diese Herausforderungen zu mildern. Der Ansatz findet die optimale Zuordnung zwischen zwei Punktwolken und generiert neue Trainingsdaten, indem die Punkte in einer Probe durch ihre optimal zugeordneten Paare ersetzt werden. Zwei Ersetzungsstrategien werden vorgeschlagen, um unterschiedliche Anforderungen an Genauigkeit oder Robustheit verschiedener Aufgaben zu erfüllen: Eine Strategie wählt zufällig alle zu ersetzenden Punkte aus, während die andere die k nächsten Nachbarn eines einzelnen zufällig ausgewählten Punkts auswählt. Beide Strategien verbessern konsistent und signifikant die Leistung verschiedener Modelle bei der Klassifizierung von Punktwolken. Durch die Einbeziehung von Aufmerksamkeitskarten (saliency maps) zur Leitung der Auswahl der zu ersetzenden Punkte wird die Leistung weiter gesteigert. Zudem wird gezeigt, dass PointCutMix die Robustheit des Modells gegenüber Punktangriffen erhöht. Besonders hervorzuheben ist, dass PointCutMix als Verteidigungsstrategie die derzeit besten Verteidigungsalgorithmen übertrifft. Der Quellcode ist unter folgender Adresse verfügbar: https://github.com/cuge1995/PointCutMix