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
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
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
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
本文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。通过对技术方法的描述、评估以及相关数据集和体系结构的介绍,总结讨论了无监督点云表示学习方法的现有研究,并对多个广泛采用的点云数据集进行了定量基准测试及分析。最后,提出了未来研究中可能面临的挑战和问题。
Feb, 2022
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
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
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
本文综述了近期 point cloud learning 领域深度学习方法在 3D 形状分类、3D 物体检测与跟踪、3D 点云分割三大任务中的最新进展及其对公共数据集的比较结果,并提出了可启发未来研究的深刻见解和方向。
Dec, 2019
通过多视图渲染三维数据,运用局部和全局两个层次的自监督方式进行神经网络的预训练来取得了优于 PointNet,DGCNN 和 SR-UNet 等现有方法的效果,并分析了合成和真实数据的优缺点。
Oct, 2022