ModelNet40-E：一个面向点云分类的不确定性感知基准测试.pdfVIP

ModelNet40-E：一个面向点云分类的不确定性感知基准测试

∗

PedroAlonso,TianruiLi,ChongshouLi

SchoolofComputingandArtificialIntelligence,SouthwestJiaotongUniversity

EngineeringResearchCenterofSustainableUrbanIntelligentTransportation

MinistryofEducation,Chengdu,China

{palonso,trli,lics}@

Abstract环境(Wuetal.2018;Zhao,Zhao,andLee2022;Ren,

Yang,andVelipasalar2025)。

我们引入了ModelNet40-E，一个新的基准测试，旨在评

为了确保公平的比较并提高模型在现实场景中的

估点云分类模型在合成LiDAR噪声下的鲁棒性和校准

适用性，已经提出了像ModelNet-C(Sunetal.2022)这

性能。与现有的基准不同，ModelNet40-E提供了被噪

样的鲁棒性基准。这些基准引入了诸如旋转、抖动、缩

声污染的点云以及通过高斯噪声参数（,）进行的逐点

本不确定性注释，使我们能够对不确定性建模进行细致评放和点丢弃等合成扰动来测试模型对输入扰动的抵抗

译估。我们在多个噪声水平下使用分类准确率、校准指标力。尽管提供了有价值的见解，它们仍面临关键限制：

中和不确定感知度来评估三种流行的模型——PointNet、（1）应用的是不反映现实LiDAR噪声的一般性扰动；

DGCNN和PointTransformerv3。虽然所有模型在噪（2）缺乏地面真实不确定性标注。在诸如自动驾驶和机

1声增加时性能都会下降，但PointTransformerv3展示器人操作这类安全关键型应用中，仅仅输出一个类别标

v

9了更优越的校准能力，其预测不确定性与底层测量不确签对于模型来说是不够的。同样重要的是评估模型对其

6定性更加一致。预测的信心程度。过于自信但错误的预测可能导致灾难

2

1性的失败，因此校准和不确定性意识是构建可靠模型的

0.介绍关键属性。

8我们引入了ModelNet40-E，这是一个基于原始

0近年来，3D点云分类在包括自主驾驶(Langetal.ModelNet40数据集并通过以轻度、中度和重度三种

5

22018;Yan,Mao,andLi2018;Sunetal.2019)、机器严重程度的类似LiDAR噪声进行污染而构建的新基

:人学(Mousavian,Eppner,andFox2019)、增强现实准。与随机抖动或dropout不同，LiDAR噪声是范围相

v

i(Izadietal.2011;Newcombe,Fox,andSeitz2015;Jiang关的、各向异性的，并且通常是结构化的，受到表面