Para los métodos de aprendizaje con pocas muestras basados en métricas y redes prototipo, la escasez de muestras de soporte provoca que los prototipos de clase sufran desviaciones y que la red tenga baja capacidad de generalización. Se propone un método de corrección de prototipos basado en la distribución gaussiana. Primero se obtienen los prototipos de clase mediante la red prototipo, luego se realiza una coincidencia de vecinos más cercanos para las muestras de consulta utilizando los prototipos, obteniendo etiquetas falsas; después se obtiene la información de la distribución gaussiana de las características de las muestras con etiquetas falsas, es decir, la media y la varianza; finalmente, se muestrean estas distribuciones para generar suficientes muestras que amplíen el conjunto de soporte, obteniendo así prototipos de clase más precisos y mejorando el rendimiento de clasificación. Al mismo tiempo, se introduce una restricción ortogonal en la red de extracción de características existente para mejorar la generalización del modelo. Se llevaron a cabo experimentos de clasificación para pocas muestras en conjuntos de datos comunes de nubes de puntos, así como experimentos de ablación. En los conjuntos de datos ModelNet40 y ModelNet40-C, la precisión media de clasificación del método propuesto es similar a la de métodos existentes; en los conjuntos de datos con ruido ScanObjectNN y ScanObjectNN-PB, la precisión media supera en un 1,36 % a los métodos existentes. Los experimentos de ablación adicionales verificaron la efectividad de la corrección de prototipos y las restricciones de parámetros de la red. El método propuesto puede aliviar eficazmente el sobreajuste en la clasificación de nubes de puntos con pocas muestras y tiene una fuerte robustez frente a datos perturbados.

clasificación 3D de nubes de puntos;aprendizaje con pocas muestras;corrección de prototipos;mejora de características;distribución gaussiana