点云分类的自动放大框架 PointAugment( 三 ) 摘要本文提出了一种新的自动放大框架Po

4.2. Augmentor loss为了使网络学习最大化，由放大器生成的放大样本 P′应满足两个要求：（i）P′比 P 更具挑战性，即目标是 L（P′）≥L（P）；（ii）P′不应失去形状特异性，这意味着应该描述一个与 P 不太远（或不同）的形状。为了达到要求（i），一个简单的方法来描述放大器（表示为 LA）的损失函数是使 P 和 P′上的交叉熵损失之差最大化，或者等效地最小化。
文章插图
4.3. Classi?er loss分类 C 的目标是正确预测 P 和 P′ 。另外，无论输入 P 或 P′ ， C 都应该具有学习稳定的每形状全局特征的能力。
4.4. End-to-end training strategy算法 1 总结了端到端训练策略。总的来说，在训练过程中，该程序交替地优化和更新放大器 A 和分类器 C 中的可学习参数，同时调整另一个参数。
4.5. Implementation details使用 PyTorch[21]实现 PointAugment 。具体来说，将训练阶段的数量设为 S=250 ，批量大小为 B=24 。为了训练放大器，采用了学习率为 0.001 的 Adam 优化器。为了训练分类人员，遵循发布的代码和文件中各自的原始配置。具体来说，对于 PointNet、PointNet++和 RSCNN ，使用的 Adam 优化器的初始学习率为 0.001 ，该值逐渐降低，每 20 个时期衰减率为 0.5 。
对于 DGCNN ，使用动量为 0.9、基本学习率为 0.1 的 SGD 解算器，该解算器使用余弦退火策略衰减[9] 。还需要注意的是，为了减少模型振荡[5] ，遵循[31]使用混合训练样本来训练点放大，混合训练样本包含一半原始训练样本，另一半包含先前放大的样本，而不是只使用原始训练样本。详见[31] 。此外，为了避免过度拟合，设置了 0.5 的脱落概率来随机丢弃或保持回归的形状方向变换和点方向位移。在测试阶段，遵循之前的网络[23 ， 24] ，将输入的测试样本输入到经过训练的分类器，以获得预测的标签，而不需要任何额外的计算成本。
文章插图
5. Experiments在点放大上做了大量的实验。首先，介绍了实验中使用的基准数据集和分类器。然后，在形状分类和形状检索方面评估 PointAugment 。接下来，将对 PointAugment 的健壮性、损耗配置和模块化设计进行详细分析。最后，提出进一步的讨论和未来可能的扩展。
文章插图
文章插图
文章插图
致谢本论文由 iSE 实验室 2021 级学生王哲转述。