GPr-Net : Réseau Prototypique Géométrique pour l'Apprentissage par Few-Shot de Nuages de Points

Dans le domaine des applications de la vision par ordinateur en 3D, l'apprentissage à partir de quelques exemples (few-shot learning) sur les nuages de points joue un rôle crucial. Cependant, il pose un défi ardu en raison de la rareté, de l'irrégularité et du caractère non ordonné des données. Les méthodes actuelles s'appuient sur des techniques complexes d'extraction géométrique locale telles que la convolution, les graphes et les mécanismes d'attention, ainsi que sur des tâches pré-entraînées intensives basées sur les données. Ces approches contredisent l'objectif fondamental de l'apprentissage à partir de quelques exemples, qui est de faciliter un apprentissage efficace. Pour remédier à ce problème, nous proposons GPr-Net (Geometric Prototypical Network), un réseau prototypique géométrique léger et computationnellement efficace qui capture la topologie intrinsèque des nuages de points et obtient des performances supérieures. Notre méthode proposée, IGI++ (Intrinsic Geometry Interpreter++), utilise des interprètes géométriques intrinsèques conçus manuellement basés sur des vecteurs et des vecteurs de Laplace pour extraire et évaluer la morphologie des nuages de points, aboutissant à des représentations améliorées pour l'apprentissage à partir de quelques exemples (FSL). De plus, les vecteurs de Laplace permettent d'extraire des caractéristiques précieuses à partir de nuages de points comportant moins de points. Pour faire face au défi du décalage distributionnel dans l'apprentissage métrique à partir de quelques exemples, nous utilisons l'espace hyperbolique et montrons que notre approche gère mieux la variance intra et inter-classe que les méthodes existantes d'apprentissage à partir de quelques exemples sur les nuages de points. Les résultats expérimentaux sur le jeu de données ModelNet40 montrent que GPr-Net surpasses les méthodes les plus avancées dans l'apprentissage à partir de quelques exemples sur les nuages de points, atteignant une efficacité computationnelle maximale qui est $170\times$ meilleure que tous les travaux existants. Le code est disponible publiquement sur https://github.com/TejasAnvekar/GPr-Net.