文章目录
1. 四个问题
- 解决什么问题
在点云引入一种数据增强方式 - 用什么方法解决
mixup结合点云 - 效果如何
提升1-2点，在数据量小提点明显 - 还存在什么问题
？
2. 论文内容
Abstract
本篇论文介绍了用实例间插值法对点云进行数据增强的方法。插值数据增强是图像领域中一种简单有效的方法。然而，这样的混合不能直接转移到点云，因为我们在两个不同对象的点之间没有一对一的对应关系。本篇论文将点云间的数据增强定义为最短路径线性插值。为此，我们引入了PointMixup。这种插值方法通过两个点云之间的路径函数优化分配来生成新的示例。我们证明了我们的PointMixup能够在两个点云之间找到最短路径，并且插值属于赋值不变的和线性的。PointMixup允许在点云域引入基于插值的强正则化器。在实验中，我们展示了PointMixup在点云分类中的潜力，特别是在缺乏实例的情况下，我们同时展示了PointMixup在增强应对噪点和点的几何变换方面的鲁棒性。
1 Introduction
mixup能够提高模型的正则化和泛化能力，例如以下工作
mixup在图像领域应用容易，将mixup应用到点云的难点：没有一一对应的坐标（2D图像上有，例如每个像素点对应和label对应）
2 Related Work
Deep learning for point clouds.
PointNet++ 多层次是个关键（trick）
mixup是个模型无关的方法，是一种数据增强，简单有效，能够减少泛化误差。
最相关的工作：Li et al. [11]
Interpolation-based regularization.
使用正则化方法有利于提高泛化能力，这在深度学习中已经成为标准做法
Mixup 和 Manifold Mixup
3 Point cloud augmentation by interpolation
3.1 Problem setting
mixup的简单介绍，用在images上容易因为数据已经对齐，但是点云是无序的和置换不变的，必须在无序的集合上找到插值的方法。
3.3 PointMixup: Optimal assignment interpolation for point clouds
？没看懂，这一节…
3.5 Manifold PointMixup: Interpolate between latent point features
Manifold mixup：对feature做mixup
一些实验结果
对数据量小效果提点明显
3. 参考资料
论文引用：https://paperswithcode.com/paper/pointmixup-augmentation-for-point-clouds
数据增强——mixup
CNN图像分类的小技巧(1): mixup数据增强
4. 收获
mixup作为一种数据增强方式，能够提升1-2个点，对数据量小提点比较明显，可作为trick。能够增强泛化性和鲁棒性(?)
但怎么应用到点云上还是没看懂…，这一部分留坑可能要看代码结合吧，看公式没看懂。
