May, 2023

Point-GCC：通过几何-颜色对比实现通用自监督3D场景预训练

HTML
PDF
TL;DR本论文提出了一种通过几何-颜色对比（Point-GCC）对点云进行 3D 场景预训练的通用框架，该框架在几何和颜色信息之间建立联系，并包括分层监督、新型深度聚类模块、体系结构不可知的后端等设计，实现了在各项数据集上的显著效果提升，包括 SUN RGB-D 和 S3DIS 之类的异常检测结果。
发现论文，激发创造
  • 使用对比场景语境探索数据高效的三维场景理解

    本文提出一种基于对比场景上下文的三维预训练方法，在数据量和标注不足时实现了全面标注的近乎完全的实例分割和语义分割。

    Dec, 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

  • 点级区域对比进行对象检测预训练

    介绍了基于自监督学习的点级区域对比法，该方法用于目标检测预训练，提高了模型在像素或点级别的定位和物体区域整体性识别的表现，通过直接从不同区域中采样个体点对执行对比学习，增强了模型对输入区域质量变化的鲁棒性，同时通过在线知识蒸馏隐式地提高了初始区域分配的质量。在多个任务和数据集上的实验表明，这种方法提高了目标检测和分割的预训练方法的性能。

    Feb, 2022

  • 掩蔽场景对比：一种用于无监督 3D 表示学习的可扩展框架

    提出了一种名为 MSC 的 Masked Scene Contrast 框架，利用对比学习直接在场景级别点云上生成对比视图以及对比重建来更有效地提取全面的 3D 表示，并使大规模 3D 预训练跨多个数据集成为可能，并在多个下游任务上实现了最新的最好的微调结果。

    Mar, 2023

  • 基于聚类的点云表示学习用于三维分析

    基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种3D网络架构上表现出明显的改进，并在知名点云分割数据集和3D检测中显示出实用性。

    Jul, 2023

  • PatchContrast：自监督预训练用于3D物体检测

    基于自主车辆的关键挑战是准确检测环境中的物体。我们引入PatchContrast，这是一个创新的自我监督点云预训练框架，用于3D物体检测。通过提出两个抽象层次的利用，我们学习未标记数据的判别性表示：提案级别和补丁级别。提案级别旨在确定物体相对于周围环境的位置，而补丁级别增加了关于物体组件之间内部连接的信息，从而根据它们的独立组件区分不同的对象。我们展示了如何将这些级别集成到自我监督预训练中以增强下游的3D检测任务，并证明我们的方法在三个常用的3D检测数据集上优于现有的最先进模型。

    Aug, 2023

  • 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

  • SGRec3D: 自主学习的3D场景图通过对象级场景重建

    提出了SGRec3D，这是一种用于预先训练三维场景图预测的新方法，无需对象关系标签，可以利用大规模三维场景理解数据集进行训练。在细调期间只使用10%标记数据集便可优于未进行预先训练的模型。

    Sep, 2023

  • 基于颜色化的预训练LiDAR三维目标检测器

    通过引入创新的预训练方法Grounded Point Colorization (GPC)来解决自动驾驶汽车中的准确3D物体检测和理解问题，通过教导模型给LiDAR点云上色，为其提供有价值的语义线索，从而改善检测效果。

    Oct, 2023

  • PointCG：通过联合补全与生成的自监督点云学习

    本研究解决了自监督点云学习中的适当预训练任务设置问题，提出了一种名为PointCG的框架，结合了掩盖点建模（MPM）和3D到2D生成的两种方法。该方法显著提高了点云数据处理的效果，尤其在下游任务中表现优越。

    Nov, 2024