基于门控点循环特征挖掘的增强原型网络在少样本3D点云分类中的应用研究

本文提出了一种纯3D解决方案EPN-GPRFM（Enhanced Prototype Network with Gated Point Recyclable Feature Mining），通过门控循环特征挖掘机制（GPRFM）解决3D点云少样本学习（3DPC-FSL）中最大池化操作导致的信息丢失问题，并结合查询引导原型增强策略（QGPE）提升分类性能。实验在ModelNet40等三大基准数据集上验证了其SOTA性能，为点云表征学习提供了新思路。

　　

亮点

• 我们提出纯3D方法EPN-GPRFM，通过门控点循环特征挖掘（GPRFM）解决3D点云少样本学习（3DPC-FSL）中最大池化导致的信息丢失问题。实验表明该方法性能显著优于现有2D方案。

• 创新的GPRFM机制将丢弃点特征序列学习问题转化为循环特征挖掘过程，通过门控单元（GPFMU）自适应聚合多阶段丢弃点信息，该思路可拓展至其他点云应用场景。

• 提出零参数的查询引导原型增强（QGPE）策略，通过筛选高相似度查询样本补偿原型，显著提升原型质量且计算成本极低。

结论

我们提出的EPN-GPRFM通过纯3D方案突破了当前2D投影方法的局限。GPRFM机制有效挖掘了池化丢弃点的残差信息，而QGPE策略则利用查询样本动态优化原型表征。在ModelNet40等三大基准测试中，该方法以显著优势刷新了少样本点云分类的SOTA性能，为点云小样本学习提供了新的技术路径。