Bei metrischen Few-Shot-Lernmethoden des Prototypen-Netzwerks, die durch wenige Unterstützungsbeispiele bedingt sind, treten Probleme wie Prototypenverzerrungen und schlechte Generalisierungsfähigkeit des Netzwerks auf. Es wird eine Prototyp-Korrektur-Methode basierend auf der Gauß-Verteilung vorgeschlagen. Zunächst werden Klassenprototypen über das Prototyp-Netzwerk erhalten und für Abfrageproben eine nächste-Nachbar-Zuordnung zu den Prototypen durchgeführt, um Pseudo-Labels zu erhalten; anschließend werden Gauß-Verteilungsinformationen, also Mittelwert und Varianz, der Merkmalswerte der Pseudo-Label-Proben ermittelt; schließlich werden aus diesen Verteilungen Samples gezogen, um den Unterstützungsdatensatz ausreichend zu erweitern, genauere Klassenprototypen zu erhalten und die Klassifikationsleistung zu verbessern. Gleichzeitig wird eine orthogonale Einschränkung im bestehenden Merkmalsextraktionsnetzwerk eingeführt, um die Generalisierungsfähigkeit des Modells zu verbessern. In dieser Arbeit wurden Few-Shot-Klassifikationsversuche auf gängigen Punktwolken-Datensätzen durchgeführt sowie Abalationsexperimente. Bei den Datensätzen ModelNet40 und ModelNet40-C liegt die durchschnittliche Klassifikationsgenauigkeit der vorgeschlagenen Methode auf dem Niveau bestehender Methoden; bei den rauschbehafteten Datensätzen ScanObjectNN und ScanObjectNN-PB übertrifft die durchschnittliche Klassifikationsgenauigkeit die existierenden Methoden um 1,36 %. Weitere Abalationsexperimente bestätigen die Wirksamkeit der Prototyp-Korrektur und der Netzparameter-Beschränkungen. Die vorgeschlagene Methode kann die Überanpassung bei der Few-Shot-Punktwolkenklassifikation effektiv mildern und ist robust gegenüber gestörten Daten.

3D-Punktwolkenklassifikation;Few-Shot-Lernen;Prototyp-Korrektur;Merkmalsverstärkung;Gauß-Verteilung