Invariant Training of 2D-3D Joint Hard Samples for Few-Shot Point Cloud Recognition
原文约100字/词，阅读约需1分钟。发表于：。我们通过使用传统的 3D 模型和经过良好训练的 2D 模型的联合预测来解决 3D 物体的少样本点云识别中的数据稀缺挑战。令人惊讶的是，尽管这种集成似乎没什么特别的，但近期的 2D-3D 模型中很少被证明有效。我们发现关键在于对 '' 联合难样本 '' 的训练不够有效，这些样本在不同的错误标签上有高置信度预测，暗示 2D 和 3D 模型之间的合作不够好。为此，我们提出了一种名为...
本文介绍了解决3D物体少样本点云识别中数据稀缺挑战的方法InvJoint，通过联合预测传统的3D模型和经过训练的2D模型，强调在难样本上训练，并寻求在冲突的2D和3D模糊预测之间的不变性。实验证明，InvJoint可以学习更协同的2D和3D表示，提高了3D形状分类和形状检索的性能。
