语义无关的程序化 3D 形状意外地是优秀的教师
计算机视觉与模式识别
2024-11-27 v1
摘要
自监督学习已成为从无标签 3D 点云中获取可迁移 3D 表示的有前景方法。不同于广泛可得的 2D 图像，获取 3D 资产需要专业知识或专业 3D 扫描设备，难以规模化且涉及版权问题。为此，我们提出从程序化 3D 程序中学习 3D 表示，这些程序使用简单 3D 原语和增强方法自动生成 3D 形状。令人惊讶的是，尽管缺乏语义内容，但从程序化 3D 形状中学习的表示在各种下游 3D 任务上（如形状分类、零件分割、掩码点云完成以及场景语义和实例分割）与从可识别语义 3D 模型（如飞机）中学习的领先表示相当。我们对构成优异 3D 程序化程序的因素进行了详细分析。大量实验进一步表明，当前在点云上进行的 3D 自监督学习方法不依赖 3D 形状的语义，为理解所学 3D 表示的本质提供了启示。
引用
@article{arxiv.2411.17468,
title = {Adversarial Bounding Boxes Generation (ABBG) Attack against Visual Object Trackers},
author = {Fatemeh Nourilenjan Nokabadi and Jean-Francois Lalonde and Christian Gagné},
journal= {arXiv preprint arXiv:2411.17468},
year = {2024}
}
备注
Accepted in The 3rd New Frontiers in Adversarial Machine Learning (AdvML Frontiers @NeurIPS2024)