野外点云的时空自监督学习

CVPRMar, 2023

Spatiotemporal Self-supervised Learning for Point Clouds in the Wild

Yanhao Wu, Tong Zhang, Wei Ke, Sabine Süsstrunk, Mathieu Salzmann

TL;DR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。

Abstract

self-supervised learning (SSL) has the potential to benefit many applications, particularly those where manually annotating data is cumbersome. One such situation is the semantic segmentation of point clouds. In

self-supervised learning semantic segmentation lidar spatial information temporal correspondences

发现论文，激发创造

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

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

基于语义聚类的点云视频自监督学习的点对比预测

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

一种面向交通应用的无监督 LiDAR 分割的时空对应方法

我们解决了在各种交通场景下，对室外 LiDAR 点云进行无监督语义分割的问题，通过建立多帧之间的时空对应关系，将点云序列的时空特征引入强化扩充，融合聚类和伪标签学习，以无监督的学习方式学习辨别特征，展现出在自动驾驶车辆和交叉口基础设施方面的分割性能在 Semantic-KITTI，SemanticPOSS 和 FLORIDA 基准数据集上表现得很有竞争力，该通用框架可以为 LiDAR 点云的统一表示学习方法融入领域知识。

Aug, 2023

基于半监督开放集的三维点云理解学习

本研究提出了一种基于样本加权的半监督 3D 点云学习方法，通过双层优化框架估计权重并引入三种正则化技术，提高了模型的稳定性和准确性。实验结果表明该方法在 3D 点云分类和分割任务中具有有效性和可行性。

May, 2022

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

缓解物体依赖关系：通过物体交换改进点云自监督学习

在点云场景理解领域中，尤其是在室内场景中，对象按照人类习惯排列，导致具有一定语义的对象相互靠近并显示显著的对象间相关性。为了解决这个挑战，我们引入了一种新颖的自监督学习策略，通过利用对象模式和上下文提示来产生稳健的特征。我们的方法首先制定了一种对象交换策略，通过在不同场景中交换大小相近的对象对来有效地解开强上下文相关性。随后，我们引入了一种上下文感知特征学习策略，通过在各种场景中聚合对象特征来编码对象模式，而无需依赖它们的特定背景。我们广泛的实验证明了我们方法的优越性，进一步展示了其对环境变化具有更好的稳健性。此外，我们通过将预训练模型转移到各种点云数据集中展示了我们方法的适用性。

Apr, 2024

3D 点云时空自监督表示学习

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。

Sep, 2021

半监督点云语义分割的引导点对比学习

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

通过解耦优化进行大规模点云语义分割的类别不平衡半监督学习

我们介绍了一种新的解耦优化框架，通过交替优化方式解决了现有基于半监督学习的方法中存在的严重训练偏差问题，主要是由于类别不平衡和点云数据的长尾分布导致了尾部类别分割的偏置预测。

Jan, 2024