論文の概要: Contrastive Predictive Autoencoders for Dynamic Point Cloud Self-Supervised Learning

• arxiv url: http://arxiv.org/abs/2305.12959v1
• Date: Mon, 22 May 2023 12:09:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 16:23:03.130693
• Title: Contrastive Predictive Autoencoders for Dynamic Point Cloud Self-Supervised Learning
• Title（参考訳）: 動的点群自己監督学習のためのコントラスト予測オートエンコーダ
• Authors: Xiaoxiao Sheng, Zhiqiang Shen, Gang Xiao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 26.773995001469505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a new self-supervised paradigm on point cloud sequence understanding. Inspired by the discriminative and generative self-supervised methods, we design two tasks, namely point cloud sequence based Contrastive Prediction and Reconstruction (CPR), to collaboratively learn more comprehensive spatiotemporal representations. Specifically, dense point cloud segments are first input into an encoder to extract embeddings. All but the last ones are then aggregated by a context-aware autoregressor to make predictions for the last target segment. Towards the goal of modeling multi-granularity structures, local and global contrastive learning are performed between predictions and targets. To further improve the generalization of representations, the predictions are also utilized to reconstruct raw point cloud sequences by a decoder, where point cloud colorization is employed to discriminate against different frames. By combining classic contrast and reconstruction paradigms, it makes the learned representations with both global discrimination and local perception. We conduct experiments on four point cloud sequence benchmarks, and report the results on action recognition and gesture recognition under multiple experimental settings. The performances are comparable with supervised methods and show powerful transferability.
• Abstract（参考訳）: 我々は,ポイントクラウドのシーケンス理解に新たな自己管理パラダイムを提案する。 識別的, 生成的自己監督的手法に着想を得て, より包括的な時空間表現を協調的に学習するために, 点雲列に基づくコントラスト予測と再構成(CPR)という2つのタスクを設計する。 具体的には、密度の高い点雲セグメントをエンコーダに入力して埋め込みを抽出する。 最後のもの以外はすべてコンテキスト対応の自動回帰器で集約され、最後のターゲットセグメントの予測が行われる。 多面的構造をモデル化する目的に向けて,局所的および大域的コントラスト学習を予測と目標の間で実施する。 表現の一般化をさらに改善するために、デコーダによって生の点雲列を再構成するために予測も利用し、そこでは点雲の彩色を用いて異なるフレームを識別する。 古典的コントラストと再構築パラダイムを組み合わせることで、学習された表現をグローバルな差別と局所的な知覚の両方で表現する。 4箇所のクラウドシーケンスベンチマーク実験を行い,複数の実験環境での動作認識とジェスチャ認識の結果を報告する。 性能は教師付きメソッドに匹敵し、強力な転送可能性を示す。

関連論文リスト

• 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)
• GeoMAE: Masked Geometric Target Prediction for Self-supervised Point Cloud Pre-Training [16.825524577372473]
  幾何学的特徴再構成に基づくポイントクラウド表現学習フレームワークを提案する。 我々は,3つの自己教師型学習目標を特異点雲,すなわちセントロイド予測,正規推定,曲率予測と同定する。 私たちのパイプラインは概念的にはシンプルで、まずポイントのグループをランダムにマスキングし、次にTransformerベースのポイントクラウドエンコーダという2つの大きなステップで構成されています。
  論文  参考訳（メタデータ） (2023-05-15T17:14:55Z)
• PointCMP: Contrastive Mask Prediction for Self-supervised Learning on Point Cloud Videos [58.18707835387484]
  本稿では,ポイントクラウドビデオ上での自己教師型学習のための対照的なマスク予測フレームワークを提案する。 PointCMPは、局所的情報と大域的情報の両方を同時に学習するために、2分岐構造を用いる。 我々のフレームワークは、ベンチマークデータセットにおける最先端のパフォーマンスを達成し、既存のフル教師付きデータセットよりも優れています。
  論文  参考訳（メタデータ） (2023-05-06T15:47:48Z)
• Vector Quantized Wasserstein Auto-Encoder [57.29764749855623]
  生成的視点から深層離散表現を学習する。 我々は,コードワード列上の離散分布を付与し,コードワード列上の分布をデータ分布に伝達する決定論的デコーダを学習する。 WS 距離のクラスタリングの観点と結びつけて,より優れた,より制御可能なクラスタリングソリューションを実現するための,さらなる理論を開発しています。
  論文  参考訳（メタデータ） (2023-02-12T13:51:36Z)
• PointCAT: Contrastive Adversarial Training for Robust Point Cloud Recognition [111.55944556661626]
  我々は、ポイントクラウド認識モデルの堅牢性を高めるために、PointCAT(Point-Cloud Contrastive Adversarial Training)を提案する。 我々は、教師付きコントラスト損失を利用して、認識モデルにより抽出された超球面特徴のアライメントと均一性を促進する。 より難易度の高い点雲を実現するため,認識モデルと逆向きにノイズ発生装置をスクラッチから訓練する。
  論文  参考訳（メタデータ） (2022-09-16T08:33:04Z)
• 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)
• Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
  人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。 アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。 我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2022-03-21T07:20:37Z)
• 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)
• Self-Contrastive Learning with Hard Negative Sampling for Self-supervised Point Cloud Learning [17.55440737986014]
  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。
  論文  参考訳（メタデータ） (2021-07-05T09:17:45Z)
• Self-Supervised Few-Shot Learning on Point Clouds [18.528929583956725]
  近年、ラベル付きポイントクラウド上で動作するディープニューラルネットワークは、分類やセグメンテーションといった教師付き学習タスクにおいて有望な結果を示している。 点雲の階層的分割を符号化する2つの新しい自己教師型事前学習タスクを提案する。 本研究では,自己教師付き学習法で事前学習した教師あり学習法が,最先端の手法の精度を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-09-29T17:32:44Z)

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。