InOR-Net: Incremental 3D Object Recognition Network for Point Cloud Representation

要約

3D 物体認識は、現実世界で魅力的な研究テーマになりました。
ただし、ほとんどの既存の認識モデルは、現実世界では 3D オブジェクトのカテゴリが時間の経過とともに変化しないと不合理に想定しています。
この非現実的な仮定は、3D オブジェクトの新しいクラスを連続して学習する際に、古い学習済みクラスの壊滅的な忘却により、パフォーマンスが大幅に低下する可能性があります。
さらに、古いクラスの 3D オブジェクトに対する壊滅的な忘却を軽減するために、どの 3D 幾何学的特性が不可欠であるかを調査することもできません。
上記の課題に取り組むために、古いクラスの壊滅的な忘却を克服することで、新しいクラスの 3D オブジェクトを継続的に認識できる、新しいインクリメンタル 3D オブジェクト認識ネットワーク (InOR-Net) を開発します。
具体的には、固有のカテゴリ情報を活用することにより、各クラスの特徴的な 3D 特性を持つ局所的な幾何学的構造を推論するために、カテゴリに基づく幾何学的推論が提案されています。
次に、役に立たない 3D 特性の悪影響を防ぎながら、古いクラスの 3D オブジェクトの壊滅的な忘却を克服するために、各クラス内のどの 3D 幾何学的特性が有益であるかを区別するための、批評家によって誘発される新しい幾何学的注意メカニズムを提案します。
さらに、偏った重みと分類器の予測を補償することにより、クラスの不均衡によってもたらされる忘却を克服するために、二重適応公平補償戦略が設計されています。
比較実験により、提案された InOR-Net モデルの最先端のパフォーマンスが、いくつかの公開ポイント クラウド データセットで検証されます。

要約(オリジナル)

3D object recognition has successfully become an appealing research topic in the real-world. However, most existing recognition models unreasonably assume that the categories of 3D objects cannot change over time in the real-world. This unrealistic assumption may result in significant performance degradation for them to learn new classes of 3D objects consecutively, due to the catastrophic forgetting on old learned classes. Moreover, they cannot explore which 3D geometric characteristics are essential to alleviate the catastrophic forgetting on old classes of 3D objects. To tackle the above challenges, we develop a novel Incremental 3D Object Recognition Network (i.e., InOR-Net), which could recognize new classes of 3D objects continuously via overcoming the catastrophic forgetting on old classes. Specifically, a category-guided geometric reasoning is proposed to reason local geometric structures with distinctive 3D characteristics of each class by leveraging intrinsic category information. We then propose a novel critic-induced geometric attention mechanism to distinguish which 3D geometric characteristics within each class are beneficial to overcome the catastrophic forgetting on old classes of 3D objects, while preventing the negative influence of useless 3D characteristics. In addition, a dual adaptive fairness compensations strategy is designed to overcome the forgetting brought by class imbalance, by compensating biased weights and predictions of the classifier. Comparison experiments verify the state-of-the-art performance of the proposed InOR-Net model on several public point cloud datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google