論文の概要: Point Contrastive Prediction with Semantic Clustering for Self-Supervised Learning on Point Cloud Videos

• arxiv url: http://arxiv.org/abs/2308.09247v1
• Date: Fri, 18 Aug 2023 02:17:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 14:54:49.010376
• Title: Point Contrastive Prediction with Semantic Clustering for Self-Supervised Learning on Point Cloud Videos
• Title（参考訳）: セマンティッククラスタリングによるポイントクラウドビデオの自己監督学習のためのポイントコントラスト予測
• Authors: Xiaoxiao Sheng and Zhiqiang Shen and Gang Xiao and Longguang Wang and Yulan Guo and Hehe Fan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 71.20376514273367
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a unified point cloud video self-supervised learning framework for object-centric and scene-centric data. Previous methods commonly conduct representation learning at the clip or frame level and cannot well capture fine-grained semantics. Instead of contrasting the representations of clips or frames, in this paper, we propose a unified self-supervised framework by conducting contrastive learning at the point level. Moreover, we introduce a new pretext task by achieving semantic alignment of superpoints, which further facilitates the representations to capture semantic cues at multiple scales. In addition, due to the high redundancy in the temporal dimension of dynamic point clouds, directly conducting contrastive learning at the point level usually leads to massive undesired negatives and insufficient modeling of positive representations. To remedy this, we propose a selection strategy to retain proper negatives and make use of high-similarity samples from other instances as positive supplements. Extensive experiments show that our method outperforms supervised counterparts on a wide range of downstream tasks and demonstrates the superior transferability of the learned representations.
• Abstract（参考訳）: 本稿では,オブジェクト中心およびシーン中心のデータのための統合ポイントクラウドビデオ自己教師付き学習フレームワークを提案する。 従来の手法では、通常、クリップやフレームレベルで表現学習を行い、きめ細かいセマンティクスをうまく捉えることができない。 本稿では,クリップやフレームの表現を対比する代わりに,コントラスト学習をポイントレベルで行うことで,統一的な自己教師型フレームワークを提案する。 さらに,スーパーポイントの意味的アライメントを実現することにより,複数のスケールで意味的手がかりをキャプチャする表現をさらに促進する,新しいプリテキストタスクを導入する。 さらに、動的点雲の時間次元における高い冗長性のため、点レベルで直接的に対照的な学習を行うと、大きめの望ましくない負と正の表現のモデリングが不十分になる。 そこで本研究では,適切な負を保ち,他のインスタンスからの類似度の高いサンプルを正のサプリメントとして利用する選択戦略を提案する。 広範囲にわたる実験により,提案手法は下流タスクにおいて教師付きタスクよりも優れており,学習した表現の転送性が優れていることが示された。

関連論文リスト

• Multi-Grained Contrast for Data-Efficient Unsupervised Representation Learning [10.630297877530614]
  教師なし表現学習のための新しいマルチグラインドコントラスト法(MGC)を提案する。 具体的には、ポジティブビュー間の微妙な多重粒度対応を構築し、その上で、対応によって多粒度コントラストを行い、より一般的な教師なし表現を学習する。 提案手法は,オブジェクト検出,インスタンスセグメンテーション,シーン解析,セマンティックセグメンテーション,キーポイント検出など,広範囲なダウンストリームタスクにおいて,既存の最先端手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-07-02T07:35:21Z)
• A Spatiotemporal Correspondence Approach to Unsupervised LiDAR Segmentation with Traffic Applications [16.260518238832887]
  鍵となる考え方は、動的ポイントクラウドシーケンスの性質を活用し、非常に強力なシナリオを導入することである。 我々は、グループへのセマンティクスの最適化と、ポイントワイトテンポラルラベルを用いたクラスタリングを交互に行う。 本手法は,教師なし学習方式で識別的特徴を学習することができる。
  論文  参考訳（メタデータ） (2023-08-23T21:32:46Z)
• 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)
• Few-Shot Point Cloud Semantic Segmentation via Contrastive Self-Supervision and Multi-Resolution Attention [6.350163959194903]
  数発の学習事前学習のための対照的な自己超越フレームワークを提案する。 具体的には、3Dポイントクラウドのための学習可能な拡張子を用いて、新しいコントラスト学習アプローチを実装した。 最接近点と最遠点の両方を用いて多分解能アテンションモジュールを開発し,局所点と大域点の情報をより効率的に抽出する。
  論文  参考訳（メタデータ） (2023-02-21T07:59:31Z)
• Self-Regulated Learning for Egocentric Video Activity Anticipation [147.9783215348252]
  自己制御学習(SRL)は、中間表現を連続的に制御し、現在のタイムスタンプのフレームにおける新しい情報を強調する表現を作り出すことを目的としている。 SRLは2つのエゴセントリックなビデオデータセットと2つの第三者のビデオデータセットにおいて、既存の最先端技術よりも大幅に優れています。
  論文  参考訳（メタデータ） (2021-11-23T03:29:18Z)
• Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
  そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。 近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-10-15T16:38:54Z)
• 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)
• Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
  画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。 これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。 そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:20:13Z)
• 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)
• Incremental False Negative Detection for Contrastive Learning [95.68120675114878]
  本稿では,自己指導型コントラスト学習のための新たな偽陰性検出手法を提案する。 対照的な学習では、検出された偽陰性を明示的に除去する2つの戦略について議論する。 提案手法は,制限された計算内での複数のベンチマークにおいて,他の自己教師付きコントラスト学習フレームワークよりも優れる。
  論文  参考訳（メタデータ） (2021-06-07T15:29:14Z)

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。