用于三维点云无监督表示学习的全局-局部双向推理
计算机视觉与模式识别
2020-03-31 v1
摘要
物体的局部与全局模式密切相关。尽管物体的每个部分都不完整，但关于该物体的潜在属性为所有部分所共享，这使得从单一部件推理出整个物体成为可能。我们假设，一个强大的三维物体表示应当建模部件与整体之间共享的、且可区别于其他物体的属性。基于该假设，我们提出在无人类监督下，通过不同抽象层级的局部结构与全局形状之间的双向推理来学习点云表示。在各种基准数据集上的实验结果表明，该无监督学习的表示在判别力、泛化能力与鲁棒性上甚至优于有监督表示。我们展示了无监督训练的点云模型在下游分类任务上可以超越其有监督对应模型。最值得注意的是，通过简单地增加 SSG PointNet++ 的通道宽度，我们的无监督模型在合成与真实世界三维物体分类数据集上均超越了最先进 (SOTA) 的有监督方法。我们期望我们的观察能为从数据结构而非人类标注中学习更好的点云理解表示提供新视角。
引用
@article{arxiv.2003.12971,
title = {Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds},
author = {Yongming Rao and Jiwen Lu and Jie Zhou},
journal= {arXiv preprint arXiv:2003.12971},
year = {2020}
}
备注
Accepted to CVPR2020