23、基于2D模型知识迁移的高效3D学习方法

基于2D模型知识迁移的高效3D学习方法

1. 训练设置

1.1 训练参数

对于不同的任务，训练参数设置如下：
- 部件分割 ：训练网络600个周期，批量大小为32，学习率为0.025，权重衰减为0.0001。
- 场景语义分割 ：训练模型500个周期，批量大小为4，学习率为0.05。
- 分类模型 ：训练300个周期，批量大小为32，学习率为0.05。

两个任务都采用动量为0.9的SGD优化器，并使用幂为0.9的多项式调度器。模型在多个NVIDIA Tesla V100 - SXM2 GPU上进行训练。O - CNN在对象分类、形状部件分割和场景语义分割中分别采用32³、64³和512³分辨率的叶八叉树。点预测在部件分割中采用线性插值，在场景语义分割中采用最近邻插值。

1.2 数据增强

对输入点云应用以下数据增强方法：
- 随机旋转
- 随机缩放
- 随机弹性变形
- 随机颜色对比度调整
- 随机颜色抖动

2. 数据高效的场景语义分割

2.1 数据集与场景

使用ScanNetV2数据集，它由707个不同空间的3D点云室内场景和对应的语义注释组成，涵盖20个语义类别。遵循官方的数据稀缺场景：
- 有限注释（LA） ：每个场景仅考虑少数标记点。
- 有限重建（LR） ：考虑少数标记场景