論文の概要: Self-supervised Learning for Pre-Training 3D Point Clouds: A Survey
- arxiv url: http://arxiv.org/abs/2305.04691v1
- Date: Mon, 8 May 2023 13:20:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-09 14:18:37.923147
- Title: Self-supervised Learning for Pre-Training 3D Point Clouds: A Survey
- Title（参考訳）: 事前学習型3次元点雲の自己教師型学習
- Authors: Ben Fei, Weidong Yang, Liwen Liu, Tianyue Luo, Rui Zhang, Yixuan Li,
and Ying He
- Abstract要約: 近年,自己管理型ポイントクラウド表現学習が注目されている。
本稿では,DNNを用いた自己教師型ポイントクラウド表現学習に関する包括的調査を行う。
- 参考スコア（独自算出の注目度）: 25.51613543480276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud data has been extensively studied due to its compact form and
flexibility in representing complex 3D structures. The ability of point cloud
data to accurately capture and represent intricate 3D geometry makes it an
ideal choice for a wide range of applications, including computer vision,
robotics, and autonomous driving, all of which require an understanding of the
underlying spatial structures. Given the challenges associated with annotating
large-scale point clouds, self-supervised point cloud representation learning
has attracted increasing attention in recent years. This approach aims to learn
generic and useful point cloud representations from unlabeled data,
circumventing the need for extensive manual annotations. In this paper, we
present a comprehensive survey of self-supervised point cloud representation
learning using DNNs. We begin by presenting the motivation and general trends
in recent research. We then briefly introduce the commonly used datasets and
evaluation metrics. Following that, we delve into an extensive exploration of
self-supervised point cloud representation learning methods based on these
techniques. Finally, we share our thoughts on some of the challenges and
potential issues that future research in self-supervised learning for
pre-training 3D point clouds may encounter.
- Abstract（参考訳）: ポイントクラウドデータは、そのコンパクトな形状と複雑な3D構造を表現する柔軟性のために、広範囲に研究されている。
複雑な3dジオメトリを正確に捉えて表現するポイントクラウドデータの能力は、コンピュータビジョン、ロボティクス、自律運転など、幅広いアプリケーションにとって理想的な選択であり、それらはいずれも、基盤となる空間構造を理解する必要がある。
大規模ポイントクラウドへの注釈付けに伴う課題を考えると,近年,自己教師ありポイントクラウド表現学習が注目されている。
このアプローチの目的は、ラベルのないデータから汎用的で有用なポイントクラウド表現を学び、広範な手動アノテーションの必要性を回避することである。
本稿では,DNNを用いた自己教師付きポイントクラウド表現学習に関する総合的な調査を行う。
まず,最近の研究におけるモチベーションと一般的な傾向について述べる。
次に、よく使われるデータセットと評価指標を紹介します。
続いて,これらの手法に基づいて,自己教師ありポイントクラウド表現学習手法の広範な探索を行った。
最後に、トレーニング済みの3Dポイントクラウドのための自己教師型学習における今後の研究の課題と潜在的な問題について、私たちの考えを共有します。
関連論文リスト
- Deep Learning-based 3D Point Cloud Classification: A Systematic Survey
and Outlook [12.014972829130764]
本稿では,ポイントクラウドの獲得,特徴,課題を紹介する。
我々は3Dデータ表現、ストレージフォーマット、およびポイントクラウド分類のための一般的に使用されるデータセットについてレビューする。
論文 参考訳（メタデータ） (2023-11-05T09:28:43Z) - Explore In-Context Learning for 3D Point Cloud Understanding [71.20912026561484]
我々は,特に3Dポイントクラウドにおけるコンテキスト内学習のために設計された,ポイント・イン・コンテキストという新しいフレームワークを紹介した。
一般点サンプリング演算子とタンデムで協調して動作するように慎重に設計したJoint Smplingモジュールを提案する。
提案手法の汎用性と適応性を検証するため,幅広いタスクを扱うための広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-06-14T17:53:21Z) - A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
本稿では,点雲のラベル効率学習に関する包括的調査を行う。
本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。
それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
論文 参考訳（メタデータ） (2023-05-31T12:54:51Z) - 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) - Continual learning on 3D point clouds with random compressed rehearsal [10.667104977730304]
本研究では,3Dポイントクラウドデータ上で連続学習が可能なニューラルネットワークアーキテクチャを提案する。
我々は,過去のデータを強く圧縮した集合を保存するために,点雲構造特性を利用する。
論文 参考訳（メタデータ） (2022-05-16T22:59:52Z) - PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。
そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。
提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文 参考訳（メタデータ） (2022-03-16T09:20:01Z) - 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) - Review: deep learning on 3D point clouds [9.73176900969663]
ポイントクラウドは3D表現のための最も重要なデータフォーマットの1つである。
ディープラーニングは現在、コンピュータビジョンにおけるデータ処理の最も強力なツールです。
論文 参考訳（メタデータ） (2020-01-17T12:55:23Z) - Deep Learning for 3D Point Clouds: A Survey [58.954684611055]
本稿では,ポイントクラウドにおけるディープラーニング手法の最近の進歩を概観する。
3D形状分類、3Dオブジェクトの検出と追跡、3Dポイントクラウドセグメンテーションを含む3つの主要なタスクをカバーしている。
また、いくつかの公開データセットで比較結果を提示する。
論文 参考訳（メタデータ） (2019-12-27T09:15:54Z)
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。