Propriedades especiais na estrutura de nuvem de pontos levam a dificuldades na interpretação dos resultados das características aprendidas por modelos profundos. Propõe-se um método para obter um mapa de saliência para modelos de reconhecimento de objetos em nuvens de pontos. Inicialmente, vários fatores livres são liberados aleatoriamente no espaço da nuvem de pontos e inseridos no modelo. Em seguida, com base em um indicador de avaliação de contribuição projetado, as posições dos fatores são atualizadas por descida do gradiente para que as características de pooling produzidas pela rede principal se desviem o máximo possível das características de pooling obtidas durante o processo de reconhecimento da nuvem de pontos alvo. Os fatores iterados não participam do processo de reconhecimento e têm “contribuição zero” para a previsão do modelo; mover os pontos da nuvem alvo para as posições desses fatores tem o mesmo efeito no resultado do reconhecimento que descartar esses pontos. O processo de deslocamento dos pontos é diferenciável, e por fim, um mapa de saliência pode ser obtido com base nas informações do gradiente. O método proposto gera mapas de saliência para o modelo PointNet no conjunto de dados ModelNet40, oferecendo fundamento teórico mais forte e aplicabilidade a mais conjuntos de dados em comparação com o método que gera mapas de saliência usando o centro da nuvem de pontos. O impacto de mover os pontos para os fatores de “contribuição zero” é mais semelhante ao de mover os pontos para o centro da nuvem ou descartá-los. Segundo este método, descartar pontos provoca uma queda mais rápida na precisão do modelo; ao descartar apenas 100 pontos, a acurácia geral (OA) do modelo caiu de 90,4% para 81,1%. Avaliações com DGCNN e PointMLP demonstram boa generalização do resultado de saliência. O método produz pontuações de saliência mais precisas, é conduzido pelo modelo e não contém quaisquer hipóteses, sendo aplicável à grande maioria dos modelos e conjuntos de dados de reconhecimento de nuvens de pontos. Os resultados da análise de saliência fornecem orientações para a construção de redes de reconhecimento de objetos e aumento de dados.

nuvem de pontos;mapa de saliência;reconhecimento de objetos;aprendizado profundo;interpretabilidade