本文共 1588 字，大约阅读时间需要 5 分钟。

创新性：作为探索3D点云自动增强的首次尝试，作者展示了用PointAugment代替传统的数据增强方法，可以显着改善ModelNet40 （参见图1）和SHREC16（参见第5节）在四个有代表性的网络上的实现，包括PointNet，PointNet ++，RSCNN 和DGCNN。 此外，我们演示了PointAugment在形状检索上的有效性，并评估了其健壮性，损失配置和模块化设计。

思路： 1：注意样本，对于每个样本不是采取通用的策略，而是通过考虑样本的基本几何结构，为每个输入样本回归一个特定的增广函数，称之为样本感知自动增广。 2：二维vs三维增强。与图像的二维增强不同，三维增强涉及到更广阔和不同的空间域。考虑到三维点云的性质，我们考虑了点云样本上的两种变换：形状变换（包括旋转、缩放和它们的组合）和点位移（点位置的抖动），在这两种变换中，我们的增强器应该学习生成它们来增强网络训练。 3：联合优化。在网络训练过程中，分类器会逐渐学习并变得更加强大，因此随着分类器的不断强大，我们需要更具挑战性的增广样本来更好地训练分类器。为此，我们必须在考虑输入样本和分类器容量的同时，仔细设计损失函数，动态调整增广样本的难度。 基本框架： 首先先将数据集输入，总共输入M个样例，每个样例含有N组点，在一开始我们先将PI输入到增强器来获得PI’，之后再同时将PI’和PI联合输入到分类器，分类器得到的结果再去反馈到增强器中。 增强器框架：对于下面的为初始框架 1：获得点云数据为N✖3的矩阵 2：对点云数据进行一个计算获得N✖C的矩阵 3：然后使用以下方法应用特定于样本的增强回归：

(1) 按形状进行回归以产生变换，得到3×3的线性矩阵，相当于对点云进行形状变换：剪切/缩放/旋转；

(2)逐点回归以产生每个点的位移相当于对点进行位置变换

4：样本与线性矩阵相乘，并加上位移 P✖M+D，其中，P✖M相当于空间变换， M为3✖3的矩阵，可以类似理解为一个旋转矩阵对P进行形状变换，D为点位置的变换。 增强器更新后的框架： 1：在点计算时使用MLP共享权重。 获得F，再对F使用MAXPOOLING得到G， 2：此时对于M，在获得G的基础上给予一个噪声向量，再通过MLP获得M 3：将F与G相加，再加一个高斯噪声，通过MLP即可获得D

分类器框架：

1：将P和P’作为输入经过形状特征计算得到Fg和Fg’ 2：通过一个全连接层得到结果

增强器的损失函数：

为了最大程度地学习，增强样本应比原始样本更具挑战性，并且不应从原始样本中失去形状的独特性。为此，作者最大化了增强样本和未增强样本的损失之间的差异（此步就是既保持又区分）

i现在就是通过最小化LA来达到目的，

为了使得分类更具有挑战性，我们使 L（P’）>=L（P），同时设定 即更大的L(P’)代表增强度更大 之后他们介绍了参数 ρ来限制增强样本与原始样本的差异幅度。

此参数应大于1，并且由于分类器起初可能很脆弱，因此它们会动态增加，在初始阶段，使得LP’很小，之后随之增加，这取决于分类器的预测概率。因此，分类器越可信，从增强器中获取的样本越难。

为了确保仍然可以正确地对目标进行分类，作者在分类损失中添加了额外的超参数 λ控制相对权重 思考： 本文使用了对抗学习的策略（所谓对抗样本，就是指一些为这些识别任务精心打造的故意混淆和误导检测任务的样本。比如说一个图片识别任务，对抗样本可以按照像素级别来扰动这个图片，这样以来人眼看不出问题，但是机器却会识别失败）并且采用了一个比较新颖的网络增强结构运用到点云上,而且，制定一个可学习的点增强函数形状变换和点位移并仔细设计损失函数以采用增强型基于分类器学习进度的样本。~ 参考资料

http://www.luyixian.cn/news_show_312487.aspx~

转载地址：https://blog.csdn.net/weixin_45854106/article/details/106321013 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！