Adaptive Margin Based Metric Learning for Unbalanced Point Cloud Classification and Retrieval

Nel mondo della visione tridimensionale, i computer stanno imparando a vedere il mondo fisico non come immagini piatte, ma come collezioni di punti nello spazio. È così che i sensori moderni, come quelli sulle auto a guida autonoma o nei visori per la realtà virtuale, catturano gli oggetti: come nuvole di punti che delineano superfici e forme. Affinché un computer possa capire ciò che sta guardando, deve classificare queste nuvole in categorie, come distinguere una sedia da un tavolo, e poi trovare articoli simili all'interno di un enorme database. Questo processo, noto come classificazione e recupero, si basa pesantemente sul deep learning, un tipo di intelligenza artificiale che impara per esempi. Tuttavia, un problema persistente ha tormentato questi sistemi: i dati da cui apprendono sono raramente equi. Nel mondo reale, alcune categorie di oggetti sono abbondanti nei dati di addestramento, mentre altre sono rare. Quando un computer viene addestrato su una dieta così sbilanciata, tende a diventare eccellente nel riconoscere gli articoli comuni, ma fatica significativamente con quelli rari, spesso fallendo nel distinguerli o nel trovarli in una ricerca.

Un team di ricercatori della Guilin University of Electronic Technology e della Xidian University ha sviluppato un nuovo approccio per risolvere questo specifico problema di squilibrio nel riconoscimento di oggetti 3D. Il loro lavoro si concentra sull'insegnare al computer a trattare ogni categoria con la giusta quantità di attenzione, indipendentemente da quanti esempi abbia visto. Invece di utilizzare un metodo standard che applica le stesse regole a ogni gruppo di oggetti, hanno creato un sistema che regola automaticamente la sua strategia di apprendimento in base a quanto un tipo specifico di oggetto sia comune o raro. In questo modo, il computer impara a prestare un'attenzione extra alle classi rare, garantendo di poter riconoscere un tipo scarso di sedia altrettanto bene di uno comune. Il risultato è un sistema che non solo identifica le forme 3D con maggiore accuratezza, ma le recupera da un database con una precisione molto più elevata, il tutto utilizzando pochissima potenza di calcolo.

Il nucleo di questo nuovo metodo risiede nel modo in cui il computer misura la distanza tra diverse forme. Nei sistemi tradizionali, il computer cerca di allontanare le diverse categorie e avvicinare gli elementi simili usando una regola fissa, molto simile a un insegnante che applica la stessa curva di valutazione a ogni studente. I ricercatori hanno scoperto che questo approccio fisso fallisce quando alcuni "studenti" (categorie di oggetti) hanno pochissimi esempi da studiare. Per risolvere il problema, hanno introdotto un margine adattivo, una regola flessibile che cambia la difficoltà del compito di apprendimento per ogni categoria. Per una categoria con pochissimi campioni, il sistema assegna un margine più ampio per garantire una netta separazione tra quell'oggetto raro e tutto il resto. Per una categoria con migliaia di campioni, il margine viene assegnato in modo che sia più piccolo, permettendo al computer di concentrarsi sul mantenere quei molti esempi strettamente raggruppati. Questo aggiustamento dinamico assicura che il computer non ignori gli articoli rari solo perché appaiono meno spesso nei dati di addestramento.

Per migliorare ulteriormente la comprensione delle forme da parte del computer, i ricercatori hanno aggiunto due nuovi componenti strutturali alla rete neurale. In primo luogo, hanno progettato un modo per far sì che il computer osservi le caratteristiche dell'oggetto a diversi livelli di dettaglio simultaneamente, combinando forme ampie con texture superficiali fini. Questo è simile a come un essere umano potrebbe guardare una sedia e notare sia la silhouette generale che la specifica curvatura della gamba contemporaneamente, piuttosto che solo l'una o l'altra. In secondo luogo, hanno creato un modulo leggero per allineare le nuvole di punti prima che il computer inizi ad apprendere. Poiché gli oggetti 3D possono essere ruotati o inclinati in qualsiasi direzione, questo modulo ruota i dati in una posizione standard e verticale, rendendo molto più facile per il sistema riconoscere l'oggetto indipendentemente da come sia stato scansionato originariamente. Questo passaggio di allineamento è cruciale perché elimina la confusione causata dagli angoli casuali, permettendo al computer di concentrarsi puramente sulla forma stessa.

I ricercatori hanno testato il loro metodo su due grandi dataset ben noti contenenti migliaia di modelli 3D, che spaziano da semplici articoli domestici a complessi componenti meccanici. Nel primo test, utilizzando un dataset con quaranta diverse categorie, il loro sistema ha raggiunto un'accuratezza di classificazione del 93,7%, superando leggermente i migliori metodi esistenti che utilizzano nuvole di punti. Ancora più importante, quando gli è stato chiesto di recuperare oggetti simili da un database, il loro sistema ha raggiunto un punteggio di performance del 92,3%, che è significativamente più alto di qualsiasi altro metodo basato su nuvole di punti e ha persino superato i sistemi che utilizzano più riprese di telecamere per vedere l'oggetto da diverse angolazioni. In un secondo test, più impegnativo, che coinvolgeva un dataset con cinquantacinque categorie dove gli oggetti erano ruotati casualmente, il loro metodo ha guidato nuovamente la classifica nella qualità del recupero, dimostrando di poter trovare l'oggetto giusto anche quando la forma era girata in modi imprevedibili.

Ciò che rende questo traguardo particolarmente degno di nota è l'efficienza del sistema. Mentre altri metodi ad alte prestazioni richiedono spesso enormi quantità di potenza di calcolo o configurazioni complesse che coinvolgono più telecamere, questo nuovo approccio lavora con un singolo set di punti e utilizza una frazione delle risorse di elaborazione. L'intero sistema richiede meno di mezzo milione di parametri, una misura della complessità del sistema, ed è veloce su hardware informatici standard. Ciò significa che la tecnologia potrebbe essere implementata in applicazioni del mondo reale, come su robot o dispositivi mobili, dove la velocità e il basso consumo di energia sono essenziali. I ricercatori hanno dimostrato che, semplicemente cambiando il modo in cui il computer impara dai dati sbilanciati e organizzando in modo più efficace le sue caratteristiche interne, è possibile costruire un sistema di visione 3D che sia allo stesso tempo altamente accurato e incredibilmente efficiente.

Lo studio conclude che la chiave per una migliore visione 3D non è solo avere più dati, ma avere un modo più intelligente per utilizzare i dati già disponibili. Adattando le regole di apprendimento alle esigenze specifiche di ogni categoria di oggetti e perfezionando il modo in cui il computer elabora le informazioni spaziali, i ricercatori hanno creato uno strumento che gestisce con grazia la realtà disordinata dei dataset sbilanciati. Il loro lavoro suggerisce che il futuro del riconoscimento di oggetti 3D risiede in questi sistemi adattivi ed efficienti che possono imparare dal mondo così com'è, con tutte le sue variazioni e squilibri, piuttosto che forzare il mondo a conformarsi a un modello rigido e idealizzato.