論文の概要: Self-Contrastive Learning with Hard Negative Sampling for
Self-supervised Point Cloud Learning
- arxiv url: http://arxiv.org/abs/2107.01886v1
- Date: Mon, 5 Jul 2021 09:17:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-06 14:58:41.917732
- Title: Self-Contrastive Learning with Hard Negative Sampling for
Self-supervised Point Cloud Learning
- Title（参考訳）: 自己教師付きポイントクラウド学習のためのハードネガティブサンプリングによる自己コントラスト学習
- Authors: Bi'an Du, Xiang Gao, Wei Hu, Xin Li
- Abstract要約: 本稿では,自己教師付きポイントクラウド表現学習のための新しい自己コントラスト学習を提案する。
我々は、一点クラウド内の自己相似点クラウドパッチを、正のサンプルとして、その他の負のパッチとして利用し、対照的な学習を容易にする。
実験結果から,提案手法は広く使用されているベンチマークデータセットの最先端性能を実現することが示された。
- 参考スコア（独自算出の注目度）: 17.55440737986014
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point clouds have attracted increasing attention as a natural representation
of 3D shapes. Significant progress has been made in developing methods for
point cloud analysis, which often requires costly human annotation as
supervision in practice. To address this issue, we propose a novel
self-contrastive learning for self-supervised point cloud representation
learning, aiming to capture both local geometric patterns and nonlocal semantic
primitives based on the nonlocal self-similarity of point clouds. The
contributions are two-fold: on the one hand, instead of contrasting among
different point clouds as commonly employed in contrastive learning, we exploit
self-similar point cloud patches within a single point cloud as positive
samples and otherwise negative ones to facilitate the task of contrastive
learning. Such self-contrastive learning is well aligned with the emerging
paradigm of self-supervised learning for point cloud analysis. On the other
hand, we actively learn hard negative samples that are close to positive
samples in the representation space for discriminative feature learning, which
are sampled conditional on each anchor patch leveraging on the degree of
self-similarity. Experimental results show that the proposed method achieves
state-of-the-art performance on widely used benchmark datasets for
self-supervised point cloud segmentation and transfer learning for
classification.
- Abstract（参考訳）: 点雲は3次元形状の自然な表現として注目を集めている。
ポイントクラウド分析の手法の開発において重要な進展がみられ、実際は人為的なアノテーションが必要とされることが多い。
そこで本研究では,局所幾何学的パターンと非局所的意味的プリミティブの両方を,点雲の非局所的自己相似性に基づいて捉えることを目的とした,自己教師付き点クラウド表現学習のための新しい自己矛盾学習を提案する。
コントラスト学習で一般的に使用される異なるポイントクラウド間のコントラストではなく、単一のポイントクラウド内で自己相似するポイントクラウドパッチを、ポジティブなサンプルとして、あるいはそれ以外はネガティブなサンプルとして活用し、コントラスト学習のタスクを促進する。
このような自己結合型学習は、ポイントクラウド分析のための自己教師付き学習の新たなパラダイムとよく一致している。
一方,識別的特徴学習のための表現空間において,正のサンプルに近い硬い負のサンプルを積極的に学習し,各アンカーパッチ上で自己相似性の度合いを利用してサンプル化した。
実験の結果,提案手法は,自己教師付きポイントクラウドセグメンテーションと分類のための転送学習のために広く使用されるベンチマークデータセットにおいて,最先端の性能が得られることがわかった。
関連論文リスト
- PointMoment:Mixed-Moment-based Self-Supervised Representation Learning
for 3D Point Clouds [11.980787751027872]
我々は,ポイントクラウドによる自己教師型表現学習のための新しいフレームワークであるPointMomentを提案する。
我々のフレームワークは、非対称ネットワークアーキテクチャや勾配停止など特別な技術を必要としない。
論文 参考訳（メタデータ） (2023-12-06T08:49:55Z) - Point Contrastive Prediction with Semantic Clustering for
Self-Supervised Learning on Point Cloud Videos [71.20376514273367]
本稿では,オブジェクト中心およびシーン中心のデータを対象とした一元的クラウドビデオ自己教師型学習フレームワークを提案する。
本手法は、広範囲の下流タスクにおいて教師付きタスクよりも優れる。
論文 参考訳（メタデータ） (2023-08-18T02:17:47Z) - Contrastive Predictive Autoencoders for Dynamic Point Cloud
Self-Supervised Learning [26.773995001469505]
我々は、より包括的な表現を協調的に学習するために、ポイントクラウドシーケンスに基づくコントラスト予測と再構成(CPR)を設計する。
我々は4点のクラウドシークエンスベンチマークで実験を行い、その結果を複数の実験環境下で報告する。
論文 参考訳（メタデータ） (2023-05-22T12:09:51Z) - D-Net: Learning for Distinctive Point Clouds by Self-Attentive Point
Searching and Learnable Feature Fusion [48.57170130169045]
我々は,自己注意点探索と学習可能な特徴融合に基づいて,特徴点雲を学習するためのD-Netを提案する。
各特徴点集合に対してコンパクトな特徴表現を生成するために,その特徴を抽出するために,積み重ねられた自己ゲート畳み込みを提案する。
その結果、学習した点雲の区別分布は、同じクラスのオブジェクトと高度に一致し、他のクラスのオブジェクトと異なることが明らかとなった。
論文 参考訳（メタデータ） (2023-05-10T02:19:00Z) - Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit
Neural Representation [79.60988242843437]
そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。
実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
論文 参考訳（メタデータ） (2022-04-18T07:18:25Z) - Unsupervised Point Cloud Representation Learning with Deep Neural
Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。
本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文 参考訳（メタデータ） (2022-02-28T07:46:05Z) - Self-Supervised Feature Learning from Partial Point Clouds via Pose
Disentanglement [35.404285596482175]
部分点雲から情報表現を学習するための,新たな自己教師型フレームワークを提案する。
コンテンツとポーズ属性の両方を含むLiDARでスキャンされた部分点雲を利用する。
提案手法は,既存の自己教師付き手法に勝るだけでなく,合成および実世界のデータセット間でのより優れた一般化性を示す。
論文 参考訳（メタデータ） (2022-01-09T14:12:50Z) - NeeDrop: Self-supervised Shape Representation from Sparse Point Clouds
using Needle Dropping [80.2485282512607]
スパース点雲から形状表現を学習するための自己教師型手法NeeDropを紹介する。
形状の知識は不要で、例えば車によって取得されたライダー点雲のように、点雲は疎くすることができる。
形状復元データセットにおける既存の教師ありアプローチと同等の定量的な結果が得られる。
論文 参考訳（メタデータ） (2021-11-30T08:35:20Z) - Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。
特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。
本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
論文 参考訳（メタデータ） (2021-10-13T10:52:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。