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
本研究提出了一种名为 CrossPoint 的简单跨模态对比学习方法,通过自监督学习,在不需要人类标注的情况下,实现可转移的三维点云表示,通过最大化点云和相应渲染的二维图像之间的协议,实现了三维物体分类和分割等多项任务,并验证了我们的方法在提高点云理解方面的效果。
Mar, 2022
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
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
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
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
通过在训练过程中直接强制将强大的三维结构先验性知识融入模型,我们提出了一种新的方法来加强现有的自监督学习方法,并通过一系列数据集实验证明了我们的三维感知表示比传统的自监督基线更加稳健。
Jun, 2024
本研究综述了深度学习在点云处理中的最新进展、挑战和潜在研究方向,重点关注点云分析中的 3D 形状分类和语义分割两个主要任务。
May, 2024
本文综述了近期 point cloud learning 领域深度学习方法在 3D 形状分类、3D 物体检测与跟踪、3D 点云分割三大任务中的最新进展及其对公共数据集的比较结果,并提出了可启发未来研究的深刻见解和方向。
Dec, 2019
本研究利用弱监督的方法,通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态,解决了学习未对准和真实世界部分点云的情况下,利用大量数据进行 3D 形状补全的问题。实验证明,学习姿势估计可以促进部分点云的配准。