3D 点云时空自监督表示学习

ICCVSep, 2021

Spatio-temporal Self-Supervised Representation Learning for 3D Point Clouds

Siyuan Huang, Yichen Xie, Song-Chun Zhu, Yixin Zhu

TL;DR本文介绍了一种利用自监督学习学习无标签 3D 点云的时空表示学习 (STRL) 框架，通过从 3D 数据中获得富含的时空线索来应对 3D 情景理解任务中预训练模型泛化性差的困境，实验证明该方法能显著提高 3D 点云中的表示学习性能。

Abstract

To date, various 3d scene understanding tasks still lack practical and generalizable pre-trained models, primarily due to the intricate nature of 3D scene understanding tasks and their immense variations introduc

3d scene understanding spatio-temporal representation learning self-supervised learning 3d point clouds pre-trained models

发现论文，激发创造

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

使用三维先验增强二维表示学习

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

CrossPoint: 自监督的跨模态对比学习，用于三维点云理解

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

通过重构空间对点云进行自监督深度学习

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

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

野外点云的时空自监督学习

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

点云上的自监督少样本学习

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

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

任意点云的自监督 3D 特征预训练

该研究提出了一种可用于 3D 数据的简单自监督预训练方法，在目标检测、语义分割和物体分类等方面取得了最先进的结果并提高了少样本类别的性能。

Jan, 2021

提升数据高效三维场景理解的表示学习的泛化能力

通过利用生成贝叶斯网络产生具有真实世界模式的多样化合成场景，并通过联合学习粗到精的对比学习任务和遮挡感知重建任务，我们提出了可泛化的表示学习（GRL）方法，从而为三维场景的理解提供了可传递、几何信息化的表示。在合成数据的预训练之后，我们的模型的所掌握的知识可以通过真实世界基准数据集实现无缝传递到与三维场景理解相关的两个主要下游任务，即三维物体检测和三维语义分割，并通过详尽系列的实验证明了我们方法相对于现有最新预训练方法的持续优势。

Jun, 2024