用于自监督点云学习的带难负样本采样的自对比学习

点云已引起越来越多的关注。点云分析方法取得了显著进展，这些方法通常需要昂贵的人工标注作为监督。为解决此问题，我们提出一种新颖的自对比学习用于自监督点云表示学习，旨在基于点云的非局部自相似性捕捉局部几何模式与非局部语义基元。贡献有两点：一方面，不同于对比学习中常见的在不同点云间进行对比，我们利用单个点云内自相似的点云块作为正样本，其余作为负样本，以促进对比学习任务。另一方面，我们主动学习靠近正样本的难负样本以实现判别性特征学习。实验结果表明，所提方法在广泛使用的自监督点云分割基准数据集及用于分类的迁移学习上达到了最先进的性能。