PointSmile：基于课程互信息的点云自监督学习
计算机视觉与模式识别
2024-10-08 v1
摘要
自监督学习在点云处理中正引起广泛关注。然而，由于点云天然的稀疏性与不规则性，为其下游任务的高效训练获取具有判别性与可迁移性的点云特征仍未能很好解决。我们提出 PointSmile，一种通过最大化点云物体副本间的课程互信息（CMI）的无重建自监督学习范式。从如何学与学什么的角度，PointSmile 被设计用来模仿人类课程学习，即从简单课程开始并逐步增加课程难度。为解决“如何学”，我们引入点云的课程数据增强（CDA）。CDA 鼓励 PointSmile 从易样本学到难样本，从而使潜空间被动态影响以创造更好的嵌入。为解决“学什么”，我们提出最大化特征级与类别级 CMI，以更好地提取点云的判别性特征。与多数现有方法不同，PointSmile 不需要前置任务，也不需要跨模态数据来产生丰富的潜表示。我们在包括物体分类与分割的下游任务中证明了 PointSmile 的有效性与鲁棒性。大量结果表明，我们的 PointSmile 优于现有自监督方法，并在各种标准架构上与流行的全监督方法相比具有竞争力。
引用
@article{arxiv.2301.12744,
title = {PointSmile: Point Self-supervised Learning via Curriculum Mutual Information},
author = {Xin Li and Mingqiang Wei and Songcan Chen},
journal= {arXiv preprint arXiv:2301.12744},
year = {2024}
}