Para métodos de aprendizagem de poucas amostras baseados em métricas, como as redes de protótipos, a escassez de amostras de suporte causa desvio nos protótipos de classe e baixa generalização da rede. Propõe-se um método de correção de protótipos baseado na distribuição gaussiana. Primeiro, obtêm-se os protótipos de classe pela rede de protótipos e, através do pareamento de vizinhos mais próximos com os protótipos, obtêm-se pseudo rótulos para as amostras de consulta; em seguida, obtêm-se informações da distribuição gaussiana das características das amostras com pseudo rótulos, isto é, média e variância; por fim, amostras são geradas a partir dessas distribuições para expandir suficientemente o conjunto de suporte, obtendo protótipos de classe mais precisos e melhorando o desempenho da classificação. Paralelamente, uma restrição ortogonal é introduzida na rede de extração de características existente para melhorar a generalização do modelo. O artigo apresenta experimentos de classificação de poucas amostras em conjuntos de dados comuns de nuvens de pontos, além de experimentos de ablação. Nos conjuntos de dados ModelNet40 e ModelNet40-C, a precisão média de classificação do método proposto é semelhante aos métodos existentes; nos conjuntos ruidosos ScanObjectNN e ScanObjectNN-PB, a precisão média supera os métodos existentes em 1,36%. Experimentos adicionais de ablação verificaram a eficácia da correção de protótipos e das restrições dos parâmetros da rede. O método proposto pode aliviar efetivamente o sobreajuste na classificação de nuvens de pontos com poucas amostras e apresenta forte robustez a dados perturbados.

classificação 3D de nuvens de pontos;aprendizado com poucas amostras;correção de protótipos;melhoria de características;distribuição gaussiana