SageMix : Mixup guidé par la salience pour les nuages de points

L'augmentation de données est essentielle pour améliorer la capacité de généralisation des modèles d'apprentissage profond. Mixup est une technique simple et largement utilisée d'augmentation de données qui s'est révélée efficace pour atténuer les problèmes de surapprentissage et de pénurie de données. De plus, des études récentes sur le Mixup sensible aux zones salientes dans le domaine des images ont montré que préserver les parties discriminantes est bénéfique pour améliorer les performances de généralisation. Cependant, ces techniques d'augmentation de données basées sur Mixup sont peu explorées en vision 3D, en particulier dans les nuages de points. Dans cet article, nous proposons SageMix, un Mixup guidé par la salience pour les nuages de points afin de préserver les structures locales saillantes. Plus précisément, nous extrayons des régions saillantes à partir de deux nuages de points et les combinons doucement en une forme continue. Grâce à un échantillonnage séquentiel simple basé sur des scores de salience réévalués, SageMix préserve la structure locale des régions saillantes. Des expériences approfondies démontrent que notre méthode surpassent constamment les méthodes Mixup existantes dans divers jeux de données benchmark pour les nuages de points. Avec PointNet++, notre méthode obtient une amélioration de l'exactitude de 2,6 % et 4,0 % par rapport à l'entraînement standard dans le jeu de données 3D Warehouse (MN40) et ScanObjectNN, respectivement. En plus des performances en termes de généralisation, SageMix améliore également la robustesse et le calibrage d'incertitude. De plus, lorsqu'elle est appliquée à diverses tâches telles que la segmentation par parties et la classification standard d'images 2D, notre méthode atteint des performances compétitives.