ICCVAug, 2023

SC3K: 自监督的、一致性的 3D 关键点估计方法，适用于旋转、噪声和降采样的点云数据

PDF
TL;DR提出了一种新方法来从噪声、降采样和任意旋转的实际场景中对任意对象类别进行关键点推断的方法，该方法是完全无监督的，关键点位置误差低，对点云数据扰动具有弹性，关键点保持其索引的语义一致性，且靠近点云数据表面，并在对象的三维形状下游任务中具有改进的覆盖范围和语义一致性。
keypointsinferencepoint cloud dataunsupervised3d shape
发现论文，激发创造
  • 从点集中无监督学习类别特定的对称三维关键点

    本文提出了一种采用非监督学习的方法，从未知类别的物体的三维点云中学习特定于类别的三维关键点，使用对称线性基础形状模型描述特定于类别的形状，并证明了该方法能够得到几何和语义方面的一致的关键点。

    Mar, 2020

  • 野外无需人类标注的点云三维人体关键点估计

    提出了一种无监督学习的方法 GC-KPL 来学习 3D 人体关键点定位，并且在未标注的数据集上取得了相对合理的性能，同时 GC-KPL 在少样本学习以及利用大量未标注数据方面得到了有效应用。

    Jun, 2023

  • 通过方向估计进行点云的自监督学习

    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

  • 关键点预测下的目标姿态自监督学习

    本文提出了一种基于自监督学习的关键点预测方法来进行相机位姿预测及三维目标物体的在线重建的深度学习网络，并在几个数据集上进行了实验，取得了显著的改进。

    Feb, 2023

  • S3K: 自监督语义关键点多视角一致性用于机器人操作

    本文探讨机器人行动的基本局限性和现有的视觉表征学习方法存在的问题，并提出利用语义三维关键点作为视觉表征的方法，通过半监督训练，使其精度达到毫米级别，能够帮助定义强化学习的奖励函数并作为代理训练的有效表征。

    Sep, 2020

  • 利用 SE（3）等变性进行自监督分类目标位姿估计

    该研究提出了一个基于自监督学习框架和 SE (3) 等变点云网络的类别级别物体位姿估计方法，可在没有真值姿态注释、CAD 模型和多视图监督的情况下，从单独的 3D 点云中进行类别级别的六自由度物体位姿估计， 并在多个基准测试上验证了该方法的有效性。

    Oct, 2021

  • Few-shot 几何感知关键点定位

    本文提出了一种基于 Few-shot learning 的填充关键点标注鲁棒性方法，通过少数的半监督数据和大量的自监督数据，在各种不同的物体类别中实现了语义一致的关键点定位和更准确的 3D 几何重建局部特征的二维定位。

    Mar, 2023

  • 自监督等变学习用于定向关键点检测

    本文提出了一种使用旋转卷积神经网络的自监督学习框架，通过生成的图像对和直方图来训练密集方向对准损失，从而学习检测具有鲁棒性的定向关键点，并在图像匹配和相机姿态估计基准测试中表现出优异的性能。

    Apr, 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

  • 面向无监督的基于 LiDAR 点云的物体检测

    我们研究在自动驾驶场景中从 3D 点云中进行无监督对象检测的问题，提出了一种简单而有效的方法，利用点聚类、时间一致性、CNN 的平移等性质以及自我监督来改进无监督检测算法，通过在非相近区域进行自动标记扩展到远距离，从而实现了零 - shot 方式的对象检测，能够在稀疏、远距离区域进行检测，同时在更多迭代自我训练的过程中不断改进。我们提出了基于碰撞距离的新的规划感知度量来更好地衡量模型在自动驾驶场景中的性能。我们在 PandaSet 和 Argoverse 2 Sensor 数据集上展示了我们的无监督对象检测器显著优于无监督基线的性能，证明了自我监督与对象先验相结合可以实现野外对象发现的潜力。

    Nov, 2023