ECCVMar, 2020

使用近似凸分解在点云上进行标签有效学习

PDF
TL;DR本文研究了在 3D 点云中使用 Approximate Convex Decompositions（ACD）进行自我监督训练的方法，以实现标签高效的学习点云表示。结果表明，ACD 提供了一种极佳的自我监督信号，可以有效地学习 3D 点云表示，并在下游任务中获得卓越的性能，例如 ModelNet40 形状分类数据集的无监督表示学习，并在 ShapeNetPart 数据集上获得显著的少样本部件分割增益。
3d point cloudsshape classificationpart segmentationapproximate convex decompositionsself-supervision
发现论文，激发创造
  • 三维点云的标签高效深度学习调研

    本文首次综述了基于标注效率的点云数据学习，并提出了基于不同类型标签提供的数据前提条件组织标注效率学习方法。该文分类了四种典型的降低点云标注成本的方法：数据增强、域迁移学习、弱监督学习和预训练基础模型，并对这些方法进行了广泛的文献综述。同时，该文分析了当前研究中的挑战并提出了未来研究的发展方向。

    May, 2023

  • 基于点云联合分割的长方体形状抽象无监督学习

    本文提出了一种无监督形状抽象方法，将点云转换为紧凑的长方体表示，并以分割和长方体形状的联合预测为抽象任务，以自学习的方式加强分割和形状抽象之间的一致性，该方法不需要手动注释点云中的零件。本文通过几种形状集的评估，证明了该方法优于现有的形状抽象方法，支持结构形状生成、形状插值和结构形状聚类等各种应用。

    Jun, 2021

  • 基于聚类的点云表示学习用于三维分析

    基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。

    Jul, 2023

  • 基于学习的 3D 点云几何无损压缩

    本文介绍了一种基于学习的无损压缩方法，可用于静态点云几何图形，基于自适应算术编码。我们的编码器在八叉树和体素编码之间混合操作，即将点云自适应地分区为多分辨率体素块，使用八叉树表示分区。利用深卷积神经网络对体素进行学习和处理，呈现了优越的性能。在 Microsoft Voxelized Upper Bodies（MVUB）和 MPEG 的不同点云数据集上，与最先进的 MPEG G-PCC 标准相比，平均节省了 28％的数据。

    Nov, 2020

  • 学习在 2D 图像空间中分割 3D 点云

    本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中，以便于利用传统的 2D 卷积神经网络进行分割，通过引入具有拓扑结构保持特性的图形处理方法，并使用分层逼近算法，结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割，取得了 ShapeNet 和 PartNet 的最新成果。

    Mar, 2020

  • 通过方向估计进行点云的自监督学习

    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

  • 点云的无监督多任务特征学习

    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

  • 联合监督与自监督学习 3D 现实世界挑战

    本文介绍了基于自监督式多任务模型的方法，用于解决数据稀缺性和跨域数据集问题，提高 3D 形状分类与部分分割的效果。

    Apr, 2020

  • 标签高效的点云语义分割：一种主动学习方法

    本研究提出了一种主动学习方法，并通过限制注释费用来确定适当的样本粒度进行主动选择，结果表明基于超点的样本选择比点级和实例级选择使用有限预算更有效，并进一步利用本地一致性约束来提高超点选择方法的性能，在 ShapeNet 和 S3DIS 两个基准数据集上评估了我们的方法，结果表明主动学习是解决语义点云分割中高注释成本的有效策略。

    Jan, 2021

  • 学习卷积变换用于有损点云几何压缩

    本篇论文介绍了基于学习的卷积变换和均匀量化的静态点云数据几何压缩方法，并将解码过程视为点云占用图的二元分类。该方法在 Microsoft Voxelized Upper Bodies 数据集上表现优异，平均 BDBR 节省率达 51.5%，且能够在低比特率下仍产生高分辨率的输出。

    Mar, 2019