論文の概要: Joint Data and Feature Augmentation for Self-Supervised Representation
Learning on Point Clouds
- arxiv url: http://arxiv.org/abs/2211.01184v1
- Date: Wed, 2 Nov 2022 14:58:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 14:25:01.404413
- Title: Joint Data and Feature Augmentation for Self-Supervised Representation
Learning on Point Clouds
- Title(参考訳): 点雲上での自己教師付き表現学習のための共同データと特徴拡張
- Authors: Zhuheng Lu, Yuewei Dai, Weiqing Li, Zhiyong Su
- Abstract要約: ユークリッド空間におけるデータ拡張と特徴空間における特徴拡張を組み合わせた融合コントラスト学習フレームワークを提案する。
提案手法の伝達性を検証するため,広範囲な対象分類実験と対象部分分割実験を行う。
実験の結果,提案フレームワークは,自己指導型でポイントクラウド表現を学習する上で有効であることが示された。
- 参考スコア(独自算出の注目度): 4.723757543677507
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To deal with the exhausting annotations, self-supervised representation
learning from unlabeled point clouds has drawn much attention, especially
centered on augmentation-based contrastive methods. However, specific
augmentations hardly produce sufficient transferability to high-level tasks on
different datasets. Besides, augmentations on point clouds may also change
underlying semantics. To address the issues, we propose a simple but efficient
augmentation fusion contrastive learning framework to combine data
augmentations in Euclidean space and feature augmentations in feature space. In
particular, we propose a data augmentation method based on sampling and graph
generation. Meanwhile, we design a data augmentation network to enable a
correspondence of representations by maximizing consistency between augmented
graph pairs. We further design a feature augmentation network that encourages
the model to learn representations invariant to the perturbations using an
encoder perturbation. We comprehensively conduct extensive object
classification experiments and object part segmentation experiments to validate
the transferability of the proposed framework. Experimental results demonstrate
that the proposed framework is effective to learn the point cloud
representation in a self-supervised manner, and yields state-of-the-art results
in the community. The source code is publicly available at:
https://zhiyongsu.github.io/Project/AFSRL.html.
- Abstract(参考訳): 枯渇するアノテーションに対処するため、ラベルのない点雲からの自己教師付き表現学習は特に拡張ベースのコントラスト手法を中心に多くの注目を集めている。
しかし、特定の拡張では、異なるデータセット上のハイレベルなタスクに対して十分な転送性が得られない。
さらに、ポイントクラウド上の拡張は、基礎となるセマンティクスも変更する可能性がある。
この問題に対処するため,ユークリッド空間におけるデータ拡張と特徴空間における特徴拡張を組み合わせ,簡易かつ効率的な融合比較学習フレームワークを提案する。
特に,サンプリングとグラフ生成に基づくデータ拡張手法を提案する。
一方,拡張グラフ対間の一貫性を最大化することにより,表現の対応を可能にするデータ拡張ネットワークを設計した。
さらに,モデルが摂動に不変な表現をエンコーダ摂動を用いて学習することを促す機能拡張ネットワークの設計を行う。
我々は,提案フレームワークの転送可能性を検証するために,広範な対象分類実験と対象部分分割実験を包括的に実施する。
実験により,提案フレームワークは,自己指導型でポイントクラウド表現を学習し,コミュニティにおける最先端の成果が得られることを示す。
ソースコードは、https://zhiyongsu.github.io/Project/AFSRL.htmlで公開されている。
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) - PointJEM: Self-supervised Point Cloud Understanding for Reducing Feature
Redundancy via Joint Entropy Maximization [10.53900407467811]
本稿では,ポイントクラウド分野に適用した自己教師付き表現学習手法であるPointJEMを提案する。
特徴の余分な情報を減らすために、PointJEMは異なる部分間の関節のエントロピーを最大化する。
PointJEMは、分類やセグメンテーションといった下流タスクにおける競合的なパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-12-06T08:21:42Z) - Learning-Based Biharmonic Augmentation for Point Cloud Classification [79.13962913099378]
Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。
BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。
本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
論文 参考訳(メタデータ) (2023-11-10T14:04:49Z) - CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。
本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。
セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
論文 参考訳(メタデータ) (2023-08-17T13:07:09Z) - Data Augmentation-free Unsupervised Learning for 3D Point Cloud
Understanding [61.30276576646909]
ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。
我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
論文 参考訳(メタデータ) (2022-10-06T10:18:16Z) - MetAug: Contrastive Learning via Meta Feature Augmentation [28.708395209321846]
対照的な学習は、情報的特徴、すなわち「堅い」(肯定的または否定的な)特徴に大きく依存している、と我々は主張する。
このような特徴を探索する上で重要な課題は、ランダムなデータ拡張を適用することで、ソースのマルチビューデータを生成することである。
本稿では,潜在空間における特徴を直接拡張し,大量の入力データなしで識別表現を学習することを提案する。
論文 参考訳(メタデータ) (2022-03-10T02:35:39Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳(メタデータ) (2021-03-22T20:36:34Z) - Context Decoupling Augmentation for Weakly Supervised Semantic
Segmentation [53.49821324597837]
微調整されたセマンティックセグメンテーションは、近年深く研究されている困難な問題です。
本稿では、オブジェクトが現れる固有のコンテキストを変更する Context Decoupling Augmentation (CDA) メソッドを紹介します。
提案手法の有効性を検証するため, PASCAL VOC 2012データセットにいくつかの代替ネットワークアーキテクチャを用いた広範な実験を行い, CDAが様々なWSSS手法を新たな最先端技術に拡張できることを実証した。
論文 参考訳(メタデータ) (2021-03-02T15:05:09Z) - Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。
FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文 参考訳(メタデータ) (2020-10-19T21:51:47Z)
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。