点云领域自适应的自监督学习
本文介绍了近期基于 DNN 的点云 SSL 的综述,包括定义、动机、背景、基于几种常见 Task-agnostic 预训练的创新分类方法,以及对于基准数据集的实验结果总结,最终给出了针对当前点云 SSL 限制的改进和未来研究方向。
May, 2023
本文提出了一种利用空间与时间正对数据的自监督学习策略,该方法包括了点聚集学习和无监督物体跟踪的方法,并通过对两个大规模 LiDAR 数据集的自监督训练和模型迁移得出:该方法在点云分割领域胜过现有的、只利用空间信息或忽略时序性质的自监督学习方法。
Mar, 2023
本研究综述了使用深度神经网络实现无监督点云表示学习的方法,解决在人工标注数据量有限的问题。研究挖掘了常用数据集和评估指标,提出了基于这些技术的自监督点云表示学习方法的广泛应用,并指出未来可能面临的挑战和潜在问题。
May, 2023
本研究提出了一种基于样本加权的半监督 3D 点云学习方法,通过双层优化框架估计权重并引入三种正则化技术,提高了模型的稳定性和准确性。实验结果表明该方法在 3D 点云分类和分割任务中具有有效性和可行性。
May, 2022
本文提出了一种基于几何感知的自我训练(GAST)方法,通过两种自监督几何学习任务作为特征规则化,以学习语义类别的域共享表示来提高对实际数据中基于点的几何体的未见分布的判别力。实验表明,我们的 GAST 方法可以显著优于现有的最先进方法。
Aug, 2021
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
我们介绍了一种新的解耦优化框架,通过交替优化方式解决了现有基于半监督学习的方法中存在的严重训练偏差问题,主要是由于类别不平衡和点云数据的长尾分布导致了尾部类别分割的偏置预测。
Jan, 2024
本文提出了一种自我监督学习方法,即可转移对比学习(TCL),其将 SSL 和所需的跨域可转移性紧密地联系起来,并通过特定的内存库和伪标签战略对源和目标之间的跨域内部类域差异进行惩罚
Dec, 2021