Page 206 - 《软件学报》2025年第5期

2106 软件学报 2025 年第 36 卷第 5 期

表 7 ShapeNetPart 数据集上各种方法的平均部件分割对比结果 (%) (续)

方法 期刊或会议/年份 骨干网络 类别mIoU 实例mIoU
[13]
CrossPoint CVPR/2022 DGCNN － 85.5
[17]
Point-BERT CVPR/2022 Transformer 84.1 85.6
[19]
Point-MAE ECCV/2022 Transformer － 86.1
[29] [55] [56]
P2P-SFPN NIPS/2022 CN +SFPN 82.5 85.7
[29] [57]
P2P-UPer NIPS/2022 CN+UPerNet 84.1 86.5
[30]
ACT ICLR/2023 Transformer 84.7 86.1
[35]
ReCon ICML/2023 Transformer 84.8 86.4
本文方法 － Transformer 85.1 86.6

表 8 ShapeNetPart 数据集上各种方法的单个类别部件分割对比结果 (%)

aero ear motor skate
方法 bag cap car chair guitar knife lamp laptop mug pistol rocket table
plane phone bike board
[3]
PointNet 83.4 78.7 82.5 74.9 89.6 73.0 91.5 85.9 80.8 95.3 65.2 93.0 81.2 57.9 72.8 80.6
[4]
PointNet++ 82.4 79.0 87.7 77.3 90.8 71.8 91.0 85.9 83.7 95.3 71.6 94.1 81.3 58.7 76.4 82.6
[5]
DGCNN 84.0 83.4 86.7 77.8 90.6 74.7 91.2 87.5 82.8 95.7 66.3 94.9 81.1 63.5 74.5 82.6
[17]
Point-BERT 84.3 84.8 88.0 79.8 91.0 81.7 91.6 87.9 85.2 95.6 75.6 94.7 84.3 63.4 76.3 81.5
[43]
PointMLP 83.5 83.4 87.5 80.5 90.3 78.2 92.2 88.1 82.6 96.2 77.5 95.8 85.4 64.6 83.3 84.3
[29]
P2P 84.3 85.1 88.3 80.4 91.6 80.8 92.1 87.9 85.6 95.9 76.1 94.2 82.4 62.7 74.7 83.7
本文方法 85.3 85.3 89.1 81.5 91.7 81.9 92.1 88.2 86.2 96.5 75.6 95.1 84.7 66.7 80.1 81.9

真值 CrossPoint

真值 CrossPoint ReCon 本文方法 ReCon 本文方法

真值 CrossPoint 真值 CrossPoint

ReCon 本文方法 ReCon 本文方法
图 5 ShapeNetPart 数据集上 3 种方法的部件分割可视化

3.6 消融学习和超参数验证
(1) 子模型消融学习
为验证本文方法中各子模型的有效性以及对点云识别结果的贡献度, 本节选用真实世界点云数据集
ScanObjectNN 完成消融学习实验. 实验结果 (OA) 如表 9 所示. 其中, “√”表示添加, “－”表示删除. 本文方法所涉
及的子模型分为 3 种: (1) “坏教师”模型; (2) 辅助点云生成模型; (3) 多模态教师模型. 在消融“坏教师”模型和多模

态教师模型实验中, 骨干网络的正向拟合重建损失函数 L MR 和跨模态特征不变性对齐损失函数 L s 保留以确保网
络正常学习. 从表 9 中可以得出, 3 种子模型依次嵌入进骨干网络后, 均对分类结果产生显著贡献. 当“坏教师”模型