Alapfogalmak
사전 학습된 3D 포인트 클라우드 모델의 특징 강건성을 향상시키기 위한 강건한 미세 조정 방법을 제안한다.
Kivonat
이 논문은 사전 학습된 3D 포인트 클라우드 모델의 특징 강건성을 향상시키기 위한 강건한 미세 조정 방법인 WiSE-FT-LP를 소개한다.
WiSE-FT-LP는 사전 학습 모델과 미세 조정 모델의 가중치를 선형 보간하여 통합하고, 이후 선형 프로빙을 수행하는 방식이다.
이 방법은 분포 변화에 강건한 성능을 보이면서도 대상 분포에서의 높은 성능을 유지할 수 있다.
대표적인 3D 포인트 클라우드 사전 학습 모델인 ReCon과 Point-M2AE에 WiSE-FT-LP 방법을 적용하여 평가했다.
실험 결과, WiSE-FT-LP 방법은 모델 구조를 변경하지 않고도 대상 과제 성능과 모델 특징 강건성 간의 균형을 잘 유지할 수 있음을 보여준다.
Statisztikák
사전 학습 모델의 정확도는 86.06%이고, 미세 조정 모델의 정확도는 89.59%이다.
WiSE-FT-LP 방법을 적용한 모델의 정확도는 90.68%로, 사전 학습 모델과 미세 조정 모델보다 높다.
Idézetek
"WiSE-FT-LP 방법은 분포 변화에 강건한 성능을 보이면서도 대상 분포에서의 높은 성능을 유지할 수 있다."
"WiSE-FT-LP 방법은 모델 구조를 변경하지 않고도 대상 과제 성능과 모델 특징 강건성 간의 균형을 잘 유지할 수 있다."