69、Point MixSwap：用于点云数据增强的创新方法

Point MixSwap：用于点云数据增强的创新方法

在3D点云处理领域，数据增强是提升模型性能的关键技术。本文将介绍一种名为Point MixSwap的新型数据增强技术，它通过分解点云并交换匹配的部分来生成多样化且保留结构的增强样本。

1. Point MixSwap原理

Point MixSwap的核心思想是将点云分解为多个不相交的部分，每个部分在其他点云中都有对应的部分。通过交换这些匹配的部分，可以合成增强的混合数据。该方法可以在输入级别和特征级别进行混合操作。

• 输入级别混合 ：在点云样本之间进行混合，需要训练集的点云具有相同的姿态，以实现最佳的性能提升。
• 特征级别混合 ：在点特征之间进行混合，对未对齐的训练集更具鲁棒性。可以通过在相关公式中用点特征 $X_b$ 替换点云 $P$ 来实现。

2. 对齐机制

为了进一步提高在未对齐点云数据上的性能，引入了主轴线对齐（PAA）机制。具体步骤如下：
1. 计算每个点云的最大主轴线。
2. 在一批点云中随机选择一个作为参考点云。
3. 根据主轴线将其余点云对齐到参考点云。

3. 实现细节

• 训练设置 ：网络训练500个epoch，前20个epoch不执行Point MixSwap，以稳定分区查询的学习。
• 优化器 ：对于DGCNN，采用SGD求解器，动量为0.9，学习率为0.001