GroupContrast：面向3D理解的语义感知自监督表征学习
计算机视觉与模式识别
2024-03-15 v1
摘要
自监督3D表征学习旨在从大规模无标签点云中学习有效表征。大多数现有方法采用点判别作为预置任务，将两个不同视图中的匹配点作为正负对，将不匹配点作为负样本。然而，这种方法常导致语义相同的点拥有不相似的表征，导致大量假负样本，引发“语义冲突”问题。为解决此问题，我们提出GroupContrast，一种结合分段分组和语义感知对比学习的新方法。分段分组将点划分为语义有意义的区域，增强语义一致性，为后续对比表征学习提供语义指导。语义感知对比学习增强了来自分段分组提取的语义信息，有助于缓解“语义冲突”问题。我们在多个3D场景理解任务上进行了广泛实验。结果表明，GroupContrast学习到了语义有意义的表征，实现了有前景的迁移学习性能。
引用
@article{arxiv.2403.09639,
title = {GroupContrast: Semantic-aware Self-supervised Representation Learning for 3D Understanding},
author = {Chengyao Wang and Li Jiang and Xiaoyang Wu and Zhuotao Tian and Bohao Peng and Hengshuang Zhao and Jiaya Jia},
journal= {arXiv preprint arXiv:2403.09639},
year = {2024}
}
备注
CVPR 2024