CLR-GAM:基于引导增强和特征映射的对比点云学习
本文介绍了一种半监督点云语义分割方法,使用伪标签指导其损失函数,并提出了一种基于对比损失的方法来增强特征表示和模型的泛化能力。实验证明,该方法在三个数据集上都可以有效地提高预测质量。
Oct, 2021
提出了一种通过语言辅助的方法来学习点云特征,使用 LMMs 文本丰富语义概念,通过基于统计的显著特征选择实现去冗余和降低特征维度,进一步分析了文本对点云的对比训练的影响,实验证实所提出的方法在三维语义分割、三维物体检测和三维场景分类任务中学习到了有意义的点云特征,并获得了最先进或可比较的性能。
Dec, 2023
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梯度的局部注意力模块,即梯度注意力模块(GAM),以解决点云分析中现有局部特征融合不足的问题,并在五个数据集上进行了全面实验以证明其有效性和泛化能力,尤其在 S3DIS 数据集上表现最佳,精确度、全局准确率、平均精确度分别达到 74.4%/90.6%/83.2%。
Mar, 2023
通过应用特征基于自适应数据扩充(FebAA)方法,可以提高自监督学习模型中的准确性,这基于图形对比学习和深层图形对比学习,通过维护数据关键特征和误差特征,可以有效消除数据外推问题。
Jul, 2022
该研究论文探讨了基于学习的模型在模拟环境中将 Lidar 点云数据转换成高质量真实数据的 Sim-to-Real 映射方法,并与图像转换方法进行了广泛的评估,结果表明基于对比学习的 CLS2R 框架在几乎所有度量指标上表现出优越性能。
Dec, 2023
本文提出了一种利用 Graph Contrastive Learning 无人工标注学习图形表示的新范式,并通过对一系列基准任务和各种领域的数据集进行广泛、可控的实验,研究不同的 GCL 组件之间的相互作用,得出了一套有效 GCL 的一般特性与实现技巧。
Sep, 2021
本文提出了一种名为 AutoGCL 的新型对比学习框架,该框架运用一组可学习的图视图生成器通过自动增强策略生成对比样本,提高了现有对比学习方法的构图灵活性和语义保留能力,同时实现了端到端的训练,经过大量实验证明相对于现有方法具有更好的性能和更加紧凑准确的对比样本。
Sep, 2021
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
我们提出了一个统一的点云视频自监督学习框架,用于面向对象和面向场景的数据。通过在点级别进行对比学习,我们的方法能够捕捉到细粒度语义。同时,我们引入了一个新的预训练任务,通过实现超点的语义对齐来进一步提高表示能力。此外,为了解决动态点云时间维度的高冗余性问题,我们提出了一种选择策略来保留适当的负样本,并利用其他实例中的高相似样本作为正样本的补充。大量实验证明我们的方法在各种下游任务上优于有监督对应方法,并展示了学到的表示的卓越可迁移性。
Aug, 2023