三维点云数据的深度神经网络已被广泛用于现实世界，特别是安全关键应用。然而，他们对腐败的鲁棒性研究较少。在本文中，我们提出了ModelNet40-C，这是第一个关于三维点云损坏鲁棒性的综合基准，包括15种常见的和现实的损坏。我们的评估显示，ModelNet40和ModelNet40-C在最先进（SOTA）模型的性能上存在明显的差距。为了缩小差距，我们在评估了一系列的增强和测试时间适应策略后，提出了一个简单而有效的方法，即结合PointCutMix-R和TENT。我们为未来关于点云识别中的腐败鲁棒性的研究确定了一些关键的见解。例如，我们发现，基于变形器的架构，加上正确的训练配方，可以实现最强的鲁棒性。我们希望我们的深入分析能够推动三维点云领域的鲁棒性训练策略或体系结构设计的发展。我们的代码库和数据集包含在
https://github.com/jiachens/ModelNet40-C。
《Benchmarking Robustness of 3D Point Cloud Recognition Against Common Corruptions》
论文地址
:http://arxiv.org/abs/2201.12296v1