小样本点云分类的原型分布校正OA北大核心CSTPCD

针对基于度量的小样本学习方法原型网络中因支撑样本较少,出现的类原型容易发生偏差、网络泛化性差等问题,提出一种基于高斯分布的原型校正方法。首先根据原型网络得到类原型,通过类原型对查询样本进行近邻匹配,得到查询样本的伪标签;然后得到伪标签样本特征的高斯分布信息,即均值和方差;最后从这些分布中进行采样,生成足够丰富的样本去扩展支撑集,进而获得更准确的类原型,改善分类性能。同时对于现有的特征提取网络引入正交约束,改善模型的泛化性。本文在常见点云数据集上进行了小样本分类实验,并进一步做了消融实验。在ModelNet40、ModelNet40-C数据集上,所提方法的平均分类精度和现有方法相近;在噪声数据集ScanObjectNN和ScanObjectNN-PB上,平均分类精度优于现有方法1.36%。进一步的消融实验验证了原型校正和网络参数约束的有效性。所提方法能够有效缓解小样本点云分类中的过拟合问题,对于扰动数据具有较强的鲁棒性。