68、Point MixSwap：通过交换匹配结构分区实现注意力点云混合

Point MixSwap：通过交换匹配结构分区实现注意力点云混合

在深度学习领域，数据增强是提升模型学习效果的重要手段。对于 3D 点云数据而言，由于其 3D 几何特性以及高昂的采集和标注成本，数据增强面临着巨大的挑战，但同时也蕴含着巨大的潜力。本文将介绍一种名为 Point MixSwap 的 3D 数据增强方法，它能够探索多个点云之间的结构差异，生成更多样化的点云数据，从而丰富训练集。

1. 背景与动机

近年来，深度神经网络（DNN）在 3D 点云分析领域取得了显著进展，涵盖分类、分割和检测等任务。然而，由于点云数据的采集和标注成本高昂，现有的点云数据集在物体数量和类别多样性方面通常受到限制。例如，ModelNet40 和 ScanObjectNN 这两个点云分类基准数据集，与 ImageNet 等图像分类基准数据集相比，规模要小得多。有限的训练数据往往导致 3D 点云网络出现过拟合问题，对未见数据的泛化能力较差。

数据增强旨在增加训练数据的规模和多样性，缓解因标注数据不足带来的不利影响。与 2D 图像相比，3D 点云具有丰富的几何形状和变形，为开发结构数据增强技术提供了巨大的潜力，但这些潜力尚未得到充分利用。

现有的点云数据增强方法存在一些局限性。例如，PointMixup 通过计算最短路径来匹配点云之间的点，然后对匹配点的坐标进行线性插值，但生成的点云存在几何形状失真问题；RSMix 通过用另一个样本的形状保留部分替换一个样本的特定部分来混合两个点云样本，但生成的增强点云在不同云的点所在区域存在不连续和不太真实的问题。此外，这些方法都没有充分探索同一类点云内部的结构差异。

2. 相关工作