ICCVSep, 2023

面向真实世界干扰的点云识别的样本自适应增强

PDF
TL;DR在 3D 视觉领域，我们提出了一种基于样本结构的自适应转换方法，名为 AdaptPoint，用于处理潜在的破坏，通过包括预测变形参数和生成逐点蒙版在内的模拟破坏，并通过鉴别器防止生成过度破坏。实验结果表明，我们的方法在多个破坏评估中取得了最先进的结果。
3d perceptioncorruptiondata augmentationauto-augmentation frameworkpoint cloud
发现论文，激发创造
  • PointAugment：一种针对点云分类的自动增强框架

    这篇论文提出了 PointAugment 自动增强框架，使用对抗性学习策略自动优化和增强点云样本以增加数据多样性，在形状分类方面取得良好表现。

    Feb, 2020

  • 针对常见污染物的 3D 点云识别鲁棒性基准测试

    本文提出了深度神经网络在 3D 点云数据上应用于安全关键领域，但对其鲁棒性的研究较少。作者提出了新的用于测试冲突鲁棒性的基准数据集，并给出了一种简单而有效的方法来降低现有模型在此数据集上的表现差距。作者通过实验发现了一些有关点云识别中鲁棒性的关键见解，例如在适当的训练下，基于 Transformer 的结构具有最强的鲁棒性。

    Jan, 2022

  • 基于破损数据的点云分类性能比较与分析

    本文提出了一种基于点云的分类算法，通过对常见三维环境噪声进行分类以及分类器的性能评估，分析了点云分类器的健壮性和泛化性，提出了一些有效的技术来增强点云分类器的健壮性。

    Feb, 2022

  • CSI：提升三维点云识别对冲突的鲁棒性

    该研究针对点云数据的不可避免的数据损坏问题，提出了基于关键子集识别（CSI）方法，通过密度感知采样（DAS）和自熵最小化（SEM）两个关键组件来提高点云识别的鲁棒性。实验证明，该方法在 ModelNet40-C 和 PointCloud-C 数据集上分别取得了 18.4% 和 16.3% 的错误率，相对于同类方法分别提高了 5.2% 和 4.2%。

    Oct, 2023

  • 基于部件的点云三维物体检测数据增强

    本文提出了基于局部的数据增强方法，即 PA-AUG，可以更好地利用 3D 标签的丰富信息来增强 3D 物体探测器的性能。该方法可用于所有类型的 KITTI 数据集，具有等效的增加训练数据 2.5 倍的效果，并且对损坏的数据也具有鲁棒性。

    Jul, 2020

  • 加权局部变换的点云增强

    提出了一种名为 PointWOLF 的点云数据增强方法，通过局部加权变换中心的多个锚点生成平滑变化的非刚性变形，以实现多样化和逼真的数据增强，并结合 AugTune 进行优化，实现了其在形状分类和部位分割任务中表现的提升，特别是使用 PointNet++ 和 ScanObjectNN 数据集时，达到了 89.7 的准确度，达到了最先进的水平。

    Oct, 2021

  • AdvPC: 三维点云可转移对抗扰动

    本篇论文提出了一种新的基于数据驱动的对抗攻击方法，称为 AdvPC，该方法使用对抗性损失来利用输入数据分布，并且具有高度的可传递性和对抗性塑造能力，可成功地攻击目标网络并对其它防御方法有 38% 的突破。

    Dec, 2019

  • Real3D-Aug: 3D 检测和分割的点云增强方法 —— 通过放置真实带有遮挡处理的物体

    本文介绍了一种基于数据增强的方法，通过多次利用已有数据，使用现实世界中的数据模拟给点云数据进行物体检测和语义分割训练。此方法在 KITTI 物体检测和 SemanticKITTI 语义分割挑战赛中取得了显著的性能提升。

    Jun, 2022

  • 增强的三维对抗样本用于鲁棒性领域外预测

    通过对实际训练数据集进行改进，我们提出了一种使用对抗性示例来增强模型对领域外数据的泛化能力的方法，通过学习和应用一组矢量来扭曲对象并进行对抗性增强，从而显著提高了三维对象检测和三维语义分割方法对领域外数据的鲁棒性和泛化能力。

    Aug, 2023

  • 3D-VField：针对 3D 物体检测领域泛化的点云对抗增强

    本文提出了一种新的数据增强方法 —— 使用对抗性学习得到的向量场对点云进行变形，以提高 3D 物体检测对领域外数据的泛化能力，并且使用新的合成数据集 CrashD 进行了实验验证。

    Dec, 2021