PointJEM: 通过联合熵最大化减少特征冗余的自监督点云理解
计算机视觉与模式识别
2023-12-07 v1
摘要
大多数基于深度学习的点云处理方法是有监督的，需要大量标注数据。然而，手动标注点云数据费时费力。自监督表示学习可以通过从未标注数据集中学习鲁棒且泛化的表示来解决上述问题。然而，通过表示学习获得的嵌入特征通常包含冗余信息，且当前大多数方法通过线性相关约束来减少特征冗余。本文提出PointJEM，一种应用于点云领域的自监督表示学习方法。PointJEM包含一个嵌入方案和一个基于联合熵的损失函数。嵌入方案将嵌入向量划分为不同部分，每个部分可以学习一个独特的特征。为了减少特征中的冗余信息，PointJEM最大化不同部分之间的联合熵，从而使学习到的特征变量两两独立。为了验证方法的有效性，我们在多个数据集上进行了实验。结果表明，我们的方法能够显著减少超出线性相关的特征冗余。此外，PointJEM在分类和分割等下游任务中取得了有竞争力的性能。
引用
@article{arxiv.2312.03339,
title = {PointJEM: Self-supervised Point Cloud Understanding for Reducing Feature Redundancy via Joint Entropy Maximization},
author = {Xin Cao and Huan Xia and Xinxin Han and Yifan Wang and Kang Li and Linzhi Su},
journal= {arXiv preprint arXiv:2312.03339},
year = {2023}
}