MortonNet:3D 点云中本地特征的自监督学习
该研究提出了一种无监督的多任务模型,用于联合学习点云上的点和形状特征,并定义了三个无监督任务来训练多尺度基于图形的编码器。结果表明,与之前的无监督模型相比,该模型在形状分类和分割基准上表现优异。在 ModelNet40 分类任务中,准确率达到 89.1%,在 ShapeNet 分割任务中,mIoU 为 68.2%,准确率为 88.6%。
Oct, 2019
该论文提出了两种新型的自监督预训练方法,利用覆盖树对点云进行分层划分,从而避免手动注释点云所导致的困难;并针对少样本学习设置,让学习网络对支持集的点云嵌入进行预训练。实验表明,利用该自监督学习方法预训练的有监督方法显著提高了目前最先进方法的准确性,并且该方法在下游的分类任务中也优于先前的无监督方法。
Sep, 2020
本文提出了一种基于 3D 自监督学习的点云学习方法,通过旋转点云实现无标签的自我监督,在形状分类和 3D 关键点预测等任务上表现出色,学习到的特征优于其他自监督方法。
Aug, 2020
PointMoment 是一种用于点云自监督表示学习的新框架,它利用高阶混合矩损失函数而不是传统的对比损失函数,计算特征变量的高阶混合矩并强制其分解为各自矩的乘积,从而使多个变量更加独立并最小化特征的冗余。该方法还结合了对比学习方法,用于最大化相同点云的不同数据增强下的特征不变性。实验结果表明,PointMoment 在 3D 点云分类和分割等下游任务上优于先前的无监督学习方法。
Dec, 2023
我们提出了一种名为 Self-Prediction 的学习模式,用于处理点云的三维实例和语义分割问题。我们的方法强调了点关系探索方面的新学习模式,与大多数现有方法不同,该方法通过自我预测任务来训练骨干网络,从而使模型更好地探索关系、几何和形状信息并学习更具有区分性的特征进行分割,实现了在 S3DIS 和 ShapeNet 上实例分割结果的最先进性,并只使用 PointNet ++ 作为骨干网络时与现有技术的语义分割结果相当。
Jul, 2020
提出了一种自我监督学习方法,利用点云数据来预训练深度神经网络用于对象分类和语义分割,从而在减少监督样本数量方面提高样本效率。该方法不需要特定的网络体系结构,并且在下游的对象分类任务中优于当前无监督学习方法。
Jan, 2019
本文提出了一种用于不同形状分析任务的通用和高效形状编码网络的无监督方法,具体方法是联合编码和学习来自未标记的三维点云的形状和点特征,使用基于八叉树的卷积神经网络来进行编码,并设计了一个简单而高效的多分辨率实例判别损失,本方法不仅表现出了所有无监督方法中最佳的性能,还在小标记数据集的任务中表现出了与监督方法有竞争力的性能,甚至在细粒度形状分割任务中超过了现有的监督方法。
Aug, 2020
本文提出了一种新型的 3D 分割框架 RSNet,它使用了轻量级局部依赖模块来高效地建模点云中的局部结构,并在 S3DIS、ScanNet 和 ShapeNet 数据集上进行了全面的实验验证,结果表明 RSNet 在所有基准测试上均优于先前的最先进方法。
Feb, 2018
本文提出了一种名为 MoNet 的基于运动的神经网络,它将运动特征和内容特征结合起来用于预测未来的点云,以提高自动驾驶中智能汽车对其周围环境的感知和安全性。实验结果表明,该方法具有重要的应用前景。
Nov, 2020
本文介绍了 SO-Net,它是一种适用于无序点云的置换不变性架构,通过建立自组织映射(SOM)建模点云的空间分布,通过对点和 SOM 节点进行分层特征提取,最终将输入点云表示为单个特征向量。网络的感受野可以通过点到节点 k 近邻搜索进行系统调整, 在点云重建、分类、对象部分分割和形状检索等识别任务中,我们提出的网络表现出与最先进的方法相似或更好的性能。此外,由于所提出的架构的可并行性和简单性,训练速度显著快于现有点云识别网络。
Mar, 2018