利用近似凸分解在点云上进行标签高效学习

Matheus Gadelha; Aruni RoyChowdhury; Gopal Sharma; Evangelos Kalogerakis; Liangliang Cao; Erik Learned-Miller; Rui Wang; Subhransu Maji

利用近似凸分解在点云上进行标签高效学习

计算机视觉与模式识别 2020-08-06 v2 图形学机器学习

作者: Matheus Gadelha , Aruni RoyChowdhury , Gopal Sharma , Evangelos Kalogerakis , Liangliang Cao , Erik Learned-Miller , Rui Wang , Subhransu Maji

在 arXiv 上查看 ↗ PDF ↗

摘要

近年来，从3D点云中进行形状分类和部件分割的问题受到了越来越多的关注。然而，这两个问题都面临着训练集相对较小的困境，因此需要统计高效的方法来学习3D形状表示。在本文中，我们研究了将近似凸分解（ACD）作为自监督信号，用于点云表示的标签高效学习。我们表明，使用ACD来近似真实分割，为学习3D点云表示提供了极佳的自监督，这些表示在下游任务中非常有效。我们在ModelNet40形状分类数据集上报告了在无监督表示学习方面对现有技术的改进，并在ShapeNetPart数据集上的少样本部件分割中取得了显著提升。代码可在 https://github.com/matheusgadelha/PointCloudLearningACD 获取

关键词

点云近似凸分解标签高效学习自监督学习形状分类部件分割

引用

@article{arxiv.2003.13834,
  title  = {Label-Efficient Learning on Point Clouds using Approximate Convex Decompositions},
  author = {Matheus Gadelha and Aruni RoyChowdhury and Gopal Sharma and Evangelos Kalogerakis and Liangliang Cao and Erik Learned-Miller and Rui Wang and Subhransu Maji},
  journal= {arXiv preprint arXiv:2003.13834},
  year   = {2020}
}

备注

First two authors had equal contribution. ECCV'20 version. 19 pages, 5 figures

利用近似凸分解在点云上进行标签高效学习

摘要

关键词

引用

备注

相关论文