거리 기반 소수 샘플 학습 방법인 프로토타입 네트워크에서 지지 샘플이 적어 클래스 프로토타입이 편향되고 네트워크의 일반화 성능이 저하되는 문제를 해결하기 위해 가우시안 분포 기반 프로토타입 보정 방법을 제안한다. 먼저 프로토타입 네트워크를 통해 클래스 프로토타입을 얻고, 클래스 프로토타입을 사용해 쿼리 샘플을 최근접 이웃 매칭하여 쿼리 샘플의 가짜 레이블을 얻는다. 이후 가짜 레이블 샘플 특성의 가우시안 분포 정보(평균과 분산)를 얻고, 이 분포에서 샘플링하여 충분히 풍부한 샘플을 생성하여 지지 집합을 확장하고 더 정확한 클래스 프로토타입을 획득해 분류 성능을 향상시킨다. 동시에 기존 특징 추출 네트워크에 직교 제약을 도입하여 모델의 일반화 성능을 개선한다. 본 논문에서는 일반적인 포인트 클라우드 데이터셋에서 소수 샘플 분류 실험을 수행하고 추가로 소거 실험을 진행하였다. ModelNet40, ModelNet40-C 데이터셋에서는 제안한 방법의 평균 분류 정확도가 기존 방법과 유사하며, 노이즈가 포함된 ScanObjectNN 및 ScanObjectNN-PB 데이터셋에서는 평균 분류 정확도가 기존 방법보다 1.36% 더 우수하다. 추가 소거 실험을 통해 프로토타입 보정과 네트워크 파라미터 제약의 효과를 검증하였다. 제안한 방법은 소수 샘플 포인트 클라우드 분류의 과적합 문제를 효과적으로 완화하며, 교란된 데이터에 대해 강한 견고성을 가진다.

3D 포인트 클라우드 분류;소수 샘플 학습;프로토타입 보정;특징 증강;가우시안 분포