Learning-Based Biharmonic Augmentation for Point Cloud Classification

要約

点群データセットは、画像データセットと比較してサンプル サイズが不十分であることが多く、データの増強が困難になります。
剛体変換やスケーリングなどの従来の方法では、個々のサンプル形状の変更に制約があるため、データセットの多様性を高める可能性が限られていますが、当社では Biharmonic Augmentation (BA) 方法を導入します。
BA は、既存の 3D 構造に滑らかな非剛体変形を課すことによって点群データを多様化する、斬新で効率的なデータ拡張手法です。
このアプローチでは、変形関数の二調和座標を計算し、さまざまな変形プロトタイプを学習します。
CoefNet を利用して、私たちの方法は係数を予測してこれらのプロトタイプを統合し、包括的な変形を保証します。
さらに、敵対的トレーニングを統合する高度なオンライン拡張システムである AdvTune を紹介します。
このシステムは CoefNet と分類ネットワークを相乗的に改良し、学習者のステータスに応じた適応形状変形の自動作成を容易にします。
包括的な実験分析により、バイハーモニック拡張の優位性が検証され、さまざまなネットワーク設計にわたって普及している点群拡張技術と比較して顕著なパフォーマンスの向上が示されています。

要約(オリジナル)

Point cloud datasets often suffer from inadequate sample sizes in comparison to image datasets, making data augmentation challenging. While traditional methods, like rigid transformations and scaling, have limited potential in increasing dataset diversity due to their constraints on altering individual sample shapes, we introduce the Biharmonic Augmentation (BA) method. BA is a novel and efficient data augmentation technique that diversifies point cloud data by imposing smooth non-rigid deformations on existing 3D structures. This approach calculates biharmonic coordinates for the deformation function and learns diverse deformation prototypes. Utilizing a CoefNet, our method predicts coefficients to amalgamate these prototypes, ensuring comprehensive deformation. Moreover, we present AdvTune, an advanced online augmentation system that integrates adversarial training. This system synergistically refines the CoefNet and the classification network, facilitating the automated creation of adaptive shape deformations contingent on the learner status. Comprehensive experimental analysis validates the superiority of Biharmonic Augmentation, showcasing notable performance improvements over prevailing point cloud augmentation techniques across varied network designs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google