論文の概要: Unsupervised Representation Learning for 3D Point Cloud Data

• arxiv url: http://arxiv.org/abs/2110.06632v1
• Date: Wed, 13 Oct 2021 10:52:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 15:44:14.003321
• Title: Unsupervised Representation Learning for 3D Point Cloud Data
• Title（参考訳）: 3Dポイントクラウドデータの教師なし表現学習
• Authors: Jincen Jiang, Xuequan Lu, Wanli Ouyang, and Meili Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 66.92077180228634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Though a number of point cloud learning methods have been proposed to handle unordered points, most of them are supervised and require labels for training. By contrast, unsupervised learning of point cloud data has received much less attention to date. In this paper, we propose a simple yet effective approach for unsupervised point cloud learning. In particular, we identify a very useful transformation which generates a good contrastive version of an original point cloud. They make up a pair. After going through a shared encoder and a shared head network, the consistency between the output representations are maximized with introducing two variants of contrastive losses to respectively facilitate downstream classification and segmentation. To demonstrate the efficacy of our method, we conduct experiments on three downstream tasks which are 3D object classification (on ModelNet40 and ModelNet10), shape part segmentation (on ShapeNet Part dataset) as well as scene segmentation (on S3DIS). Comprehensive results show that our unsupervised contrastive representation learning enables impressive outcomes in object classification and semantic segmentation. It generally outperforms current unsupervised methods, and even achieves comparable performance to supervised methods. Our source codes will be made publicly available.
• Abstract（参考訳）: 無秩序な点を扱うために多くのポイントクラウド学習法が提案されているが、そのほとんどは教師付きであり、トレーニングのためにラベルを必要とする。 対照的に、ポイントクラウドデータの教師なしの学習は、これまでずっと注目を集めていない。 本稿では,教師なしのポイントクラウド学習のための,シンプルで効果的なアプローチを提案する。 特に、元の点雲の良質な対比バージョンを生成する非常に有用な変換を特定する。 彼らはペアを作ります。 共有エンコーダと共有ヘッドネットワークを経由した後、コントラスト損失の2つの変種を導入して出力表現間の一貫性を最大化し、下流分類とセグメンテーションを容易にする。 提案手法の有効性を示すために,3次元オブジェクト分類(ModelNet40とModelNet10),形状部分分割(ShapeNet Partデータセット),シーン分割(S3DIS)の3つの下流タスクについて実験を行った。 総合的な結果は、教師なしのコントラスト表現学習は、オブジェクト分類とセマンティックセグメンテーションにおいて印象的な結果をもたらすことを示している。 一般に現在の教師なしメソッドよりも優れており、教師なしメソッドと同等のパフォーマンスを達成している。 ソースコードは公開される予定だ。

関連論文リスト

• Point2Vec for Self-Supervised Representation Learning on Point Clouds [66.53955515020053]
  Data2vecをポイントクラウド領域に拡張し、いくつかのダウンストリームタスクで推奨される結果を報告します。 我々は、ポイントクラウド上でData2vecライクな事前トレーニングの可能性を解放するpoint2vecを提案する。
  論文  参考訳（メタデータ） (2023-03-29T10:08:29Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Learning Latent Part-Whole Hierarchies for Point Clouds [41.288934432615676]
  本稿では,ポイントクラウドセグメンテーションのための部分階層を明示的に学習するエンコーダ-デコーダスタイルの潜在変数モデルを提案する。 提案手法は,トップレベル部分分割だけでなく,ミドルレベル潜在部分分割においても,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-11-14T03:17:33Z)
• Masked Discrimination for Self-Supervised Learning on Point Clouds [27.652157544218234]
  マスク付きオートエンコーディングは、画像と言語領域における自己教師型学習において大きな成功を収めた。 PointNetのような標準的なバックボーンは、トレーニング中にマスクによって導入された分散ミスマッチのトレーニングとテストのミスマッチを適切に処理できない。 我々はこのギャップを、ポイントクラウドのための差別マスク事前学習フレームワークMaskPointを提案し、橋渡しする。
  論文  参考訳（メタデータ） (2022-03-21T17:57:34Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• Dense Supervision Propagation for Weakly Supervised Semantic Segmentation on 3D Point Clouds [59.63231842439687]
  意味点クラウドセグメンテーションネットワークをトレーニングする。 同様の特徴を伝達し、2つのサンプルにまたがる勾配を再現するクロスサンプル機能再配置モジュールを提案する。 ラベルの10%と1%しか持たない弱教師付き手法では、完全教師付き手法と互換性のある結果が得られる。
  論文  参考訳（メタデータ） (2021-07-23T14:34:57Z)
• Label-Efficient Learning on Point Clouds using Approximate Convex Decompositions [43.1279121348315]
  本稿では,ACD(Adroximate Convex Decompositions)を用いて,点雲表現のラベル効率の学習を行う。 我々は,ACDを用いて3次元点雲表現の学習に優れた自己スーパービジョンを提供することを示す。
  論文  参考訳（メタデータ） (2020-03-30T21:44:43Z)
• Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds [109.0016923028653]
  局所構造とグローバル形状の双方向推論による点雲表現を人間の監督なしに学習する。 本研究では, 実世界の3次元オブジェクト分類データセットにおいて, 教師なしモデルが最先端の教師付き手法を超越していることを示す。
  論文  参考訳（メタデータ） (2020-03-29T08:26:08Z)

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。