基于自蒸馏框架的点云分类及其鲁棒性研究

摘要： 与2D图像数据集相比，3D点云数据集的规模较小且表征性较差，容易导致神经网络出现过拟合和泛化能力差的问题。为此，提出一种点云自蒸馏(PointSD)框架，通过对表征形式不同的数据样本进行学习，使网络提取到原始点云数据中的更多特征信息，实现样本之间的知识交互，在不增加额外计算负荷的情况下提升网络的泛化能力，适用于不同规模的分类网络模型。基于该框架提出一种点云抗腐败训练方法TND-... （共10页）