Nov, 2023

基于学习的双调和增强点云分类

PDF
TL;DR使用 Biharmonic augmentation 方法对点云数据进行数据增强，通过平滑的非刚性变形来改变 3D 结构，使用 Advtune 系统和对抗训练来自动创建适应性形态变形，实验证明 Biharmonic Augmentation 在多种网络设计上相比现有的点云增强技术有显著的性能提升。
point cloud datasetsdata augmentationbiharmonic augmentation3d structuresadversarial training
发现论文，激发创造
  • 贝叶斯数据增强方法用于深度模型学习

    提出了一种基于贝叶斯公式，利用广义蒙特卡洛期望最大化算法和生成对抗网络的方法，能更好地生成新的标注训练样本，并在 MNIST，CIFAR-10 和 CIFAR-100 的数据集中取得了优于现有数据增强方法和 GAN 模型的分类结果。

    Oct, 2017

  • 通过渐进式基于种群的增强改进 3D 物体检测

    本文介绍了第一次自动设计 3D 目标检测数据增强策略的尝试，通过学习优化增强策略，将搜索空间缩小并采用前一次迭代中发现的最佳参数，使 PPBA 算法在 KITTI 3D 检测测试集上大幅优化了 StarNet 检测器的适度难度汽车、行人和骑车人类别，超过了当前所有最先进的单级检测模型。在 Waymo 开放数据集上的额外实验表明，PPBA 继续有效地提高 StarNet 和 PointPillars 检测器在比 KITTI 大 20 倍的数据集上的表现。

    Apr, 2020

  • 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

  • 面向真实世界干扰的点云识别的样本自适应增强

    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。

    Sep, 2023

  • 基于贝叶斯的随机语义数据增强在医学图像分类中的应用

    提出了一种名为 Bayesian Random Semantic Data Augmentation 的新型、高效且即插即用的语义数据增强方法（BRSDA），通过在特征空间中沿特定方向进行简单的平移，实现语义转换，并结合其他主流的数据增强方法，取得了优越的性能。

    Mar, 2024

  • 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

  • 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

  • 基于双层优化的组织病理学图像自动数据增强学习

    通过自动数据增强学习方法，我们提出了一个神经网络模型训练的解决方案，可以自动学习改善模型训练所需的颜色和几何变换参数，特别适用于组织病理学图像的分类任务。

    Jul, 2023

  • 使用在线双层优化学习图像分类数据增强

    本研究提出了一种用双层优化训练网络的方法，以自动学习有效的数据增强转换的分布，从而提高其泛化性能并与分类器等模型联合训练，实现数据增强的最优化，相较于手工优化方式，本方法在图像分类准确性上表现更好同时无需昂贵的数据增强超参数外部验证循环。

    Jun, 2020

  • 使用贝叶斯非参数混合模型实现高效的全局点云对准

    本文提出了一种利用贝叶斯非参数方法描述点云和表面法线密度，利用分支定界优化恢复相对变换的点云对准的全新方法，采用 4D 四面体的旋转空间细分来提高优化效率，并在最后的实验中展示了该方法的高效性和对真实世界的鲁棒性。

    Mar, 2016