Page 210 - 《软件学报》2025年第5期

2110 软件学报 2025 年第 36 卷第 5 期

3.7 鲁棒性测试
逆密度尺度指导下的“坏教师”模型和基于 StyleGAN 的辅助点云生成模型分别以反向拟合策略和辅助点云融
合策略来改善不同类型和尺度下点云噪声对表示学习的不良影响. 此外, 在丢失部分点云时, 模型的分类表现也是衡
量稳健性的重要指标. 因此, 本节以输入大小为 1 024 个点的 ModelNet40 数据集为基础, 分别添加等级范围为 [0,
0.1] 的随机点云噪声、随机丢失比率范围为 [0, 0.8] 的点云以及空洞丢失比率范围为 [0, 0.5] 的点云作为输入以测
试预训练模型的点云分类表现. 为更好地对比观察, 本文选用点云-图像-文本三模态现有先进方法 ReCon [35] 的预训
练模型在同等实验实施设定下完成点云分类任务, 其结果如图 7 所示. 首先, 图 7(a) 展示不同噪声等级下的分类结
果. 可以观察得到, 本文方法的分类精度一直处于领先位置. 原因归结于本文方法中所提出的两种子模型均对噪声影
响具有良好的抗性. 此外, 图 7(b) 展示不同随机丢失率下的分类结果. 当一定比率的原始点被随机丢失后, 本文方法
也能以较为平稳的趋势保持良好的分类表现. 此外, 在图 7(b) 中, 比率为 0.8 时本文方法仍然能具有良好的性能. 因
此, 本文认为按一定比率随机丢弃点的方法保留了三维几何结构信息, 致使模型仍然可以学习并利用上下文. 为了进
一步验证本文方法在空洞点云上的性能, 按 10%–50% 的比率掏空某一局部区域并将剩余部分输入进微调模型. 结
果如图 7(c) 所示, 整体下降幅度与随机丢弃法相似, 但同一比率对比下可以看出, 空洞丢弃导致模型识别率下降水平
更大, 同样验证了随机丢弃能保留几何信息的论断. 此外, 在相同丢失比率下, 本文方法也能相较于先进方法 ReCon
具有更高的分类结果. 综上, 本文方法在面对不同程度和不同类型的数据干扰时, 具有良好的鲁棒性.

96 94.6 95 94.6
94.6 95 94.2 94.3
94 93.5 94 94 93.8
92 94.5 91.2 89.3 93 94.5 94.0 92.4 93 94.5 94.2 93.1 92.3
分类精度 (%) 88 91.8 86.3 88.6 85.2 分类精度 (%) 92 91.9 90.5 分类精度 (%) 92 91.5 91.2
90
91
91
86
84
82 本文方法 85.6 90 本文方法 88.7 90 本文方法 90.0 89.6
89
89
80 ReCon 82.1 88 ReCon 89.2 88 ReCon
78 79.8 88.1 88.3
0 0.02 0.04 0.06 0.08 0.10 0 0.2 0.4 0.6 0.8 0 0.1 0.2 0.3 0.4 0.5
噪声等级 随机丢失率 空洞丢失率
(a) 噪声等级 (b) 随机丢失率 (c) 空洞丢失率
图 7 鲁棒性测试结果

4 总 结

针对现有多模态自监督点云表示学习方法中所存在的鲁棒性和泛化性弱、多模态特征难对齐及模态信息崩
塌等缺陷, 本文提出基于双向拟合掩码重建的多模态自监督点云表示学习方法. 该方法包含逆密度尺度指导下的
“坏教师”模型、基于 StyleGAN 的辅助点云生成模型及多模态教师模型, 分别通过双向拟合掩码重建、辅助点云
替换及多模态特征对齐约束提升点云自监督表示学习能力. 在 ModelNet、ScanObjectNN 及 ShapeNet 数据集上,
所提出方法完成点云分类、线性支持向量机分类、小样本分类、零样本分类以及部件分割测试, 与现有先进方法
对比具有优良效果. 此外, 消融学习等验证性实验结果证明, 所提出的每种子模型均对提升点云识别精度具有显著
贡献. 最后, 鲁棒性测试结果验证本文方法对不同类型的数据干扰有良好的抵抗能力.

References:
[1] Zhu XL, Wang HC, You HM, Zhang WH, Zhang YY, Liu S, Chen JJ, Wang Z, Li KQ. Survey on testing of intelligent systems in
autonomous vehicles. Ruan Jian Xue Bao/Journal of Software, 2021, 32(7): 2056–2077 (in Chinese with English abstract). http://www.jos.
org.cn/1000-9825/6266.htm [doi: 10.13328/j.cnki.jos.006266]
[2] Yan T, Gao HX, Zhang JF, Qian YH, Zhang LY. Grouping parallel lightweight real-time microscopic 3D shape reconstruction method.
Ruan Jian Xue Bao/Journal of Software, 2024, 35(4): 1717–1731 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/
7013.htm [doi: 10.13328/j.cnki.jos.007013]