Dec, 2023

PointMoment：基于混合矩的自监督表示学习 3D 点云

PDF
TL;DRPointMoment 是一种用于点云自监督表示学习的新框架，它利用高阶混合矩损失函数而不是传统的对比损失函数，计算特征变量的高阶混合矩并强制其分解为各自矩的乘积，从而使多个变量更加独立并最小化特征的冗余。该方法还结合了对比学习方法，用于最大化相同点云的不同数据增强下的特征不变性。实验结果表明，PointMoment 在 3D 点云分类和分割等下游任务上优于先前的无监督学习方法。
point cloudself-supervised representation learningpointmomenthigh-order mixed moment loss functioncontrastive learning
发现论文，激发创造
  • 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

  • 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

  • 自监督学习用于预训练 3D 点云：综述

    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

  • 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

  • MortonNet：3D 点云中本地特征的自监督学习

    该论文提出了一种自我监督的点云任务，使用 MortonNet 网络直接在无序的点云上进行操作，预测序列中下一个点，生成的 Morton feature 对于 3D 分割等任务具有很好的性能，并在不同的数据集上都有良好的泛化性能。

    Mar, 2019

  • 点云上的自监督少样本学习

    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

  • 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

  • 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

  • 自组织点云

    本文提出了自我监督的点排序方法，利用一种新颖的可区分积分和层次对比方案学习点排序，构造了首个端到端可训练的网络，在多个数据集和任务上取得了优于监督排序方法的结果，包括对未见类别点云的零样本排序。

    Apr, 2023

  • 自主驾驶的自监督支柱运动学习

    本文提出了一种基于点云数据和自监督学习的动态估计框架，旨在高效精确地估计自动驾驶汽车与其他动态交通参与者的相对运动状态，并在实验中表现出与有监督方法相当的竞争力。

    Apr, 2021