跳到正文
arXiv · 机器人与计算机视觉· Abdulla Nasir Chowdhury, Gulpi Qorik Oktagalu Pratamasunu, Kazuhiro Fukui·· 15 天前精选AI 评分78

点云分类的统计鲁棒性基准:我们仍需要旋转不变架构吗?

Do We Still Need Rotation-Invariant Architectures? A Statistical Robustness Benchmark for Point Cloud Classification

AI 导读

该研究对 10 种点云架构进行了跨域基准测试,发现旋转不变架构在姿态鲁棒性上表现最佳,但在噪声鲁棒性上排名较低。作者重新训练了所有模型并验证了简单的不变性损失能有效提升遮挡和 LiDAR 噪声下的准确率,且标准骨干网络在全球旋转下仅存在角度无关的精度偏移。材料提供了用于分析点云鲁棒性和复现结果的基准包与工具。

推荐理由

该基准通过统计假设检验对比了旋转不变架构与标准骨干网络在姿态、噪声和遮挡下的鲁棒性,并验证了简单的不变性损失可提升特定扰动下的准确率。

来源:arXiv · 机器人与计算机视觉 · arxiv.org