摘要
في مواجهة مشاكل انحراف النماذج الأولية وقلة قدرة التعميم في شبكات النماذج الأولية المعتمدة على القواعد القائمة على المقاييس بسبب قلة عينات الدعم، تم اقتراح طريقة تصحيح النموذج الأولي القائمة على التوزيع الغاوسي. أولاً، يتم الحصول على النماذج الأولية للفئات عبر شبكة النموذج الأولي، ويتم مطابقة العينات الاستعلامية مع أقرب نموذج أولي للحصول على تسميات مزيفة لها؛ ثم يتم الحصول على معلومات التوزيع الغاوسي لخصائص العينات ذات التسميات المزيفة، أي المتوسط والانحراف المعياري؛ وأخيرًا يتم أخذ عينات من هذه التوزيعات لتوليد عينات غنية تكفي لتوسيع مجموعة الدعم وبالتالي الحصول على نماذج أولية للفئات أكثر دقة وتحسين أداء التصنيف. في الوقت نفسه، يُضاف قيد التعميم المتعامد على شبكات استخراج الميزات الحالية لتحسين قدرة التعميم للنموذج. أُجريت تجارب تصنيف عينات صغيرة على مجموعات بيانات النقاط ثلاثية الأبعاد الشائعة، بالإضافة إلى تجارب إزالة المكونات. على مجموعتي بيانات ModelNet40 وModelNet40-C، كان متوسط دقة التصنيف للطريقة المقترحة مقاربًا للطرق الحالية؛ وعلى مجموعات البيانات المليئة بالضوضاء ScanObjectNN وScanObjectNN-PB، تفوقت الدقة المتوسطة بنسبة 1.36٪ على الطرق الحالية. تؤكد تجارب إزالة المكونات الأخرى على فعالية تصحيح النماذج الأولية وقيود معلمات الشبكة. تُظهر الطريقة المقترحة قدرة فعالة على تخفيف مشكلة الإفراط في التخصيص في تصنيف النقاط ذات العينة الصغيرة ولها متانة عالية تجاه البيانات المضطربة.
关键词
تصنيف النقاط ثلاثية الأبعاد;تعلم العينة الصغيرة;تصحيح النماذج الأولية;تعزيز الميزات;التوزيع الغاوسي
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website