距離に基づく少数ショット学習法のプロトタイプネットワークにおいて、サポートサンプルが少ないためにクラスプロトタイプが偏りやすく、ネットワークの汎化性が低い問題に対して、ガウス分布に基づくプロトタイプ補正方法を提案する。まずプロトタイプネットワークによりクラスプロトタイプを得て、クエリサンプルに対して近傍マッチングを行い、クエリサンプルの疑似ラベルを取得する。次に疑似ラベル付きサンプルの特徴のガウス分布情報、すなわち平均と分散を得る。最後にこれらの分布からサンプリングを行い、十分に豊富なサンプルを生成してサポートセットを拡張し、より正確なクラスプロトタイプを得て分類性能を向上させる。同時に、既存の特徴抽出ネットワークに直交制約を導入し、モデルの汎化性を改善する。本論文では一般的な点群データセットにおいて少数ショット分類実験を行い、さらにアブレーション実験を実施した。ModelNet40およびModelNet40-Cデータセットでは、提案手法の平均分類精度は既存手法と近似的であり、ノイズのあるScanObjectNNおよびScanObjectNN-PBデータセットでは平均分類精度が既存手法より1.36％優れている。さらにアブレーション実験により、プロトタイプ補正とネットワークパラメータ制約の有効性が検証された。提案手法は少数ショット点群分類における過学習問題を効果的に緩和し、摂動データに対して強いロバスト性を持つ。

3D点群分類;少数ショット学習;プロトタイプ補正;特徴強化;ガウス分布