Aug, 2021

面向无监督领域自适应的几何感知自训练方法

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 多视角点云变分自编码器：通过联合自重建和半分预测从多角度无监督学习3D点云特征

    本文提出了一种用于点云无监督特征学习的方法MAP-VAE，利用全局和本地自监督相结合，采用多角度分析来实现有效的本地自监督，并使用RNN同时学习每个局部几何和它们之间的空间关系。在四项形状分析任务中表现出色，比现有技术可以学习到更具有区分性的全局或局部特征。

    Jul, 2019

  • PointDAN：一种用于点云表征的多尺度三维领域自适应网络

    本文提出了一种用于点云数据的新型三维领域自适应网络(PointDAN)，通过自适应节点模块和节点注意力模块对局部几何结构和全局特征进行多级联合校准以实现点云数据的三维领域自适应。

    Nov, 2019

  • 点云领域自适应的自监督学习

    本篇论文探究了自监督学习在3D感知问题的领域自适应中的应用，通过提出基于形变重构的预训练任务以及一种名为PCM的新颖训练流程，对分类和分割的领域适应数据集进行了评估，取得了相较于现有和基准方法的巨大改进。

    Mar, 2020

  • 全局-局部双向推理用于无监督学习3D点云表示

    基于局部结构和全局形状的双向推理，提出了一种无需人工标注学习点云表示的方法，并展示出其在下游分类任务中取得的优秀表现。

    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

  • 基于聚类和对比的三维点云无监督学习

    本文提出了一种名为ConClu的通用无监督方法，它通过联合使用点级聚类和实例级对比来实现点和全局特征的学习。实验评估结果表明，该框架在3D物体分类和语义分割等下游应用方面具有很好的性能，可以胜过现有技术。

    Feb, 2022

  • 自监督学习用于预训练3D点云：综述

    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

  • 可解释的自监督变压器深入探究点云

    本文研究了transformers在点云领域中通过自监督学习所获得的特性，探讨了其预训练方案的有效性，分析了数据数量对网络特征的影响，提出了一种解冻策略，并在分类任务中取得了最优结果。

    Jun, 2023

  • PC-Adapter: 基于拓扑感知的适配器用于点云上的高效领域自适应与修正伪标签

    通过注意力机制和图卷积，PC-Adapter保留了源数据的全局形状信息，并学习了目标域的局部特征，同时提出了一种新颖的假标记策略来克服分类器偏差，该方法在各种基准数据集 - PointDA、GraspNetPC和PointSegDA上优于基线模型。

    Sep, 2023

  • 通过自监督几何增强弥合点云表示的领域差距

    本研究针对语义点云分析中的一个关键问题，即合成数据在几何上缺乏多样性，导致在无监督领域适应任务中难以捕捉不完整和嘈杂点云的域不变几何模式。我们提出一种新颖的方法，通过自监督的几何增强任务，正则化表示学习，利用新增约束有效提升点云表示的领域间适应能力。实验结果表明，该方法在PointDA-10数据集上实现了最佳性能。

    Sep, 2024