面向点云自监督表示学习的数据与特征联合增强
计算机视觉与模式识别
2023-09-06 v1 图形学
摘要
为应对繁琐的标注工作，从无标注点云中进行自监督表示学习受到了广泛关注，尤其是基于增强的对比方法。然而，特定的增强方式难以对不同数据集上的高层任务产生充分的迁移能力。此外，点云上的增强也可能改变底层语义。为解决这些问题，我们提出一种简单而高效的增强融合对比学习框架，将欧氏空间中的数据增强与特征空间中的特征增强相结合。具体而言，我们提出一种基于采样与图生成的数据增强方法。同时，我们设计了一个数据增强网络，通过最大化增强图对之间的一致性来实现表示的对应。我们进一步设计了一个特征增强网络，利用编码器扰动鼓励模型学习对扰动不变的表示。我们全面地开展了大量物体分类实验与物体部件分割实验，以验证所提框架的迁移能力。实验结果表明，该框架能有效地以自监督方式学习点云表示，并取得了领域内最先进的（SOTA）结果。源代码公开于：https://zhiyongsu.github.io/Project/AFSRL.html。
引用
@article{arxiv.2211.01184,
title = {Joint Data and Feature Augmentation for Self-Supervised Representation Learning on Point Clouds},
author = {Zhuheng Lu and Yuewei Dai and Weiqing Li and Zhiyong Su},
journal= {arXiv preprint arXiv:2211.01184},
year = {2023}
}