Stratégie de régularisation pour les nuages de points par échantillonnage rigide mixte

L’augmentation de données est une stratégie de régularisation efficace permettant de réduire le surapprentissage, un défaut inhérent aux réseaux de neurones profonds. Toutefois, cette approche est peu utilisée dans le traitement des nuages de points, malgré de nombreuses études proposant diverses méthodes d’augmentation pour les données d’image. En réalité, la régularisation est particulièrement cruciale pour les nuages de points, car le manque de généralisation est plus fréquent en raison de la faible taille des jeux de données. Ce papier présente RSMix (Rigid Subset Mix), une nouvelle méthode d’augmentation de données pour les nuages de points, qui génère un échantillon virtuel mixte en remplaçant une partie d’un échantillon par des sous-ensembles préervant la forme provenant d’un autre échantillon. RSMix préserve l’information structurale du nuage de points en extrayant des sous-ensembles à partir de chaque échantillon sans déformation, grâce à une fonction de voisinage soigneusement conçue en tenant compte des propriétés uniques des nuages de points, à savoir leur structure non ordonnée et non-grille. Des expérimentations ont confirmé que RSMix régularise efficacement les réseaux de neurones profonds, conduisant à une amélioration significative dans la classification de formes. Nous avons également analysé diverses combinaisons d’augmentations de données, y compris RSMix, à l’aide d’évaluations univue et multivue, sur la base d’études d’ablation abondantes.