В связи с тем, что в прототипных сетях для методов мелких выборок на основе метрик возникает смещение прототипов классов и низкая обобщающая способность сети из-за малого количества опорных образцов, предложен метод коррекции прототипов, основанный на гауссовском распределении. Сначала прототипы классов получают с помощью прототипной сети, затем для запросных образцов выполняется ближайшее соседнее сопоставление с прототипами, чтобы получить псевдоэтикетки; затем определяется гауссовская информация распределения характеристик образцов с псевдоэтикетками, то есть среднее и дисперсия; наконец, из этих распределений осуществляется выборка для генерации достаточного количества образцов, расширяющих опорный набор и обеспечивающих более точные прототипы классов, что улучшает классификацию. При этом в существующие сети извлечения признаков вводится ортогональное ограничение для улучшения обобщающей способности модели. В статье проведены эксперименты по мелкосуточной классификации на распространённых наборах данных точечных облаков и дополнительные абляционные эксперименты. На наборах данных ModelNet40 и ModelNet40-C средняя точность классификации предлагаемого метода сопоставима с существующими подходами; на зашумлённых наборах ScanObjectNN и ScanObjectNN-PB средняя точность превосходит существующие методы на 1,36%. Дополнительные абляционные эксперименты подтверждают эффективность коррекции прототипов и ограничения параметров сети. Предложенный метод эффективно снижает переобучение при классификации мелких выборок точечных облаков и обладает высокой устойчивостью к шумным данным.

классификация 3D точечных облаков;обучение с малым числом образцов;коррекция прототипов;усиление признаков;гауссовское распределение