Primitive3D：基于随机组装基元的3D物体数据集合成
计算机视觉与模式识别
2022-05-26 v1
摘要
深度学习的众多进展可归因于对大规模且标注良好数据集的获取。然而，在 3D 计算机视觉中，由于巨大的采集成本，此类数据集极为昂贵。为缓解该问题，我们提出一种经济高效的方法，用于自动生成大量带标注的 3D 物体。具体而言，我们仅通过组装多个随机基元来合成物体，这些物体因此自动获得了源自基元的部分标签标注。这使得我们能够通过结合有监督分割与无监督重建来进行多任务学习。考虑到在生成数据集上学习的巨大开销，我们进一步提出一种数据集蒸馏策略，以针对目标数据集去除冗余样本。我们针对 3D 物体分类的下游任务进行了大量实验。结果表明，与其他常用数据集相比，我们的数据集及其标注上的多任务预训练取得了最佳性能。进一步研究表明，我们的策略可通过预训练与微调方案提升模型性能，尤其对于小规模数据集。此外，采用所提数据集蒸馏方法的预训练可节省 86% 的预训练时间，且性能下降可忽略。我们期望这一尝试为训练 3D 深度模型提供新的以数据为中心的视角。
引用
@article{arxiv.2205.12627,
title = {Primitive3D: 3D Object Dataset Synthesis from Randomly Assembled Primitives},
author = {Xinke Li and Henghui Ding and Zekun Tong and Yuwei Wu and Yeow Meng Chee},
journal= {arXiv preprint arXiv:2205.12627},
year = {2022}
}
备注
CVPR 2022