基于自蒸馏框架的点云分类及其鲁棒性研究

作者：李维刚; 厉许昌; 田志强; 李金灵

来源：计算机工程, 2024, 50(09): 72-81.

DOI：10.19678/j.issn.1000-3428.0068451

• 点云数据
• 点云分类
• 自蒸馏
• 数据增强
• 腐败鲁棒性

与2D图像数据集相比，3D点云数据集的规模较小且表征性较差，容易导致神经网络出现过拟合和泛化能力差的问题。为此，提出一种点云自蒸馏（PointSD）框架，通过对表征形式不同的数据样本进行学习，使网络提取到原始点云数据中的更多特征信息，实现样本之间的知识交互，在不增加额外计算负荷的情况下提升网络的泛化能力，适用于不同规模的分类网络模型。基于该框架提出一种点云抗腐败训练方法TND-PointSD,解决了当前点云训练方法抗腐败能力不足的问题。实验结果表明：在ScanObjectNN数据集上，应用PointSD框架的PointNet++和RepSurf-U?2X基准网络的平均准确率（MA）相比于应用标准训练（ST）方法提高了8.22和4.86个百分点；在ModelNet40-C数据集上，在15种腐败类型上分类网络的平均整体准确率（MOA）均有所提升，证明了TND-PointSD方法能够有效地增强网络模型的腐败鲁棒性。

• 单位
  武汉科技大学