EPiC: Ensemble of Partial Point Clouds for Robust Classification

要約

タイトル：EPiC：堅牢な分類のための部分点群アンサンブル

要約：

– 実際の場面で消費者向けの3Dセンサーはしばしば部分的であり、さまざまなアーティファクトによって劣化したノイズの多いデータを生成するため、堅牢なポイントクラウドの分類が重要である。
– 本研究では、部分点群サンプリングに基づく一般的なアンサンブルフレームワークを提案する。各アンサンブルメンバーは部分的な入力データにのみ曝される。
– 2つのローカルなストラテジー、パッチと曲線に基づくものと、ランダムサンプリングに基づくグローバルなストラテジーを併用することで、3種類のサンプリングストラテジーを利用している。
– これにより、ローカルおよびグローバルな劣化に対する手法の堅牢性を実証する。さらに、我々のフレームワークが、トップ分類ネットワークの堅牢性を大幅に向上させることを示す。
– 実験設定では、Renらによって最近導入されたModelNet-Cデータベースを使用して、拡張されていないおよび拡張されたデータの両方のSOTAに達する。
– 拡張されていない平均腐敗エラー（mCE）は0.64であり（現在のSOTAは0.86）、拡張されたデータの場合は0.50である（現在のSOTAは0.57）。
– 多様性分析により、これらの優れた結果を解析および説明する。我々のコードは次の場所で利用可能である：https://github.com/yossilevii100/EPiC。

要約(オリジナル)

Robust point cloud classification is crucial for real-world applications, as consumer-type 3D sensors often yield partial and noisy data, degraded by various artifacts. In this work we propose a general ensemble framework, based on partial point cloud sampling. Each ensemble member is exposed to only partial input data. Three sampling strategies are used jointly, two local ones, based on patches and curves, and a global one of random sampling. We demonstrate the robustness of our method to various local and global degradations. We show that our framework significantly improves the robustness of top classification netowrks by a large margin. Our experimental setting uses the recently introduced ModelNet-C database by Ren et al.[24], where we reach SOTA both on unaugmented and on augmented data. Our unaugmented mean Corruption Error (mCE) is 0.64 (current SOTA is 0.86) and 0.50 for augmented data (current SOTA is 0.57). We analyze and explain these remarkable results through diversity analysis. Our code is available at: https://github.com/yossilevii100/EPiC

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI