AAAIAug, 2022

自监督对比表示学习用于三维网格分割

PDF
TL;DR提出了一种自监督对比学习方法 SSL-MeshCNN 用于预训练 CNNs 从而解决三角形网格难以准确定义的问题，该方法表现出降低网格分割所需标记数据的可行性
3d deep learningtriangular meshesself-supervised learningssl-meshcnnmesh segmentation
发现论文，激发创造
  • 基于互模态重构和特征投影网络的自监督学习用于高效标签 3D 到 2D 分割

    本研究提出一种卷积神经网络和自监督学习的方法，用于在有限标记数据情况下进行高效的三维到二维分割，通过在临床相关任务中验证，证明该方法比现有技术在有限标记数据情况下显著提升了分割性能，并且自监督学习方法可以进一步提高性能，而且对于网络架构无关。

    Jul, 2023

  • 联合自监督图像体表示学习：基于内外对比聚类

    本文提出了一种用于医学数据的自监督深度学习的框架，该框架可以联合学习 2D 和 3D 数据，通过用变形注意力机制构建整体特征，并利用预训练语言模型进行掩蔽嵌入预测，提高了 2D Deep-ClusterV2 和 SwAV 的效果，并超越了各种现代 2D 和 3D 自监督学习方法。

    Dec, 2022

  • 有限标注医学图像分割的全局和局部特征的对比学习

    本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

    Jun, 2020

  • 医学图像分割的自我监督对齐学习

    最近，自监督学习方法已被用于对二维和三维医学图像的分割模型进行预训练。本文提出了一种新的自监督对齐学习框架来预训练医学图像分割的神经网络，其中包括了一个全新的局部对齐损失和全局位置损失。实验结果表明，该对齐学习方法在有限标注的 CT 和 MRI 数据集上与现有的自监督预训练方法具有竞争力。

    Jun, 2024

  • 提升几何建模能力的自监督学习在三维感知生成对抗网络中的应用

    通过自监督学习技术，我们提出了一种适用于任何 3D-GAN 的辅助损失，旨在改进其 3D 几何建模能力，并通过综合实验证实了该方法的有效性。

    Dec, 2023

  • 点云数据的自监督学习：综述

    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

  • 多模态非刚性三维形状匹配的自监督学习

    通过将基于网格的功能映射正则化与连续损失相结合的自监督多模态学习策略相结合，我们提出了一种形状匹配方法，它能够针对三角形网格、完整点云和部分观测点云获得同模式和跨模态的对应关系，并在多个基准数据集上取得了最先进的结果，具有先前未见的跨数据集普适性。

    Mar, 2023

  • GroupContrast：语义感知的自监督学习用于三维理解

    自我监督的 3D 表示学习旨在从大规模未标记的点云中学习有效的表示。我们提出了 GroupContrast，一种将分段分组和语义感知对比学习相结合的新方法，通过分段分组提高语义一致性并为后续的对比表示学习提供语义指导，从而减轻了 “语义冲突” 问题。

    Mar, 2024

  • 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

  • 理解自监督特征用于学习无监督实例分割

    自我监督学习（SSL）可以用于解决复杂的视觉任务，该论文研究了实例分割的自我监督表示，发现不同 SSL 方法的特征在实例感知水平上存在差异。

    Nov, 2023