Pour les méthodes d'apprentissage par petits échantillons basées sur la métrique utilisant des réseaux de prototypes, la faible quantité d'échantillons de support entraîne un biais des prototypes de classe et une mauvaise généralisation du réseau. Nous proposons une méthode de correction des prototypes basée sur la distribution gaussienne. Tout d'abord, les prototypes de classe sont obtenus par le réseau de prototypes, puis les échantillons de requête sont appariés grâce aux plus proches voisins avec les prototypes pour obtenir des pseudo-étiquettes ; ensuite, les informations de distribution gaussienne des caractéristiques des échantillons à pseudo-étiquettes, à savoir la moyenne et la variance, sont calculées ; enfin, des échantillons sont générés à partir de ces distributions pour enrichir l'ensemble de support, permettant d'obtenir des prototypes de classe plus précis et d'améliorer les performances de classification. Par ailleurs, une contrainte orthogonale est introduite dans le réseau d'extraction de caractéristiques existant pour améliorer la généralisation du modèle. Cet article réalise des expériences de classification par petits échantillons sur des ensembles de données courants de nuages de points, ainsi que des expériences d'ablation. Sur les ensembles ModelNet40 et ModelNet40-C, la précision moyenne de la méthode proposée est comparable aux méthodes existantes ; sur les ensembles bruités ScanObjectNN et ScanObjectNN-PB, la précision moyenne dépasse les méthodes actuelles de 1,36 %. Les expériences d'ablation supplémentaires confirment l'efficacité de la correction des prototypes et des contraintes sur les paramètres du réseau. La méthode proposée atténue efficacement le surapprentissage de la classification des petits nuages de points et présente une forte robustesse aux données perturbées.

classification de nuages de points 3D;apprentissage par petits échantillons;correction des prototypes;amélioration des caractéristiques;distribution gaussienne