用于三维网格分割的自监督对比表示学习
计算机视觉与模式识别
2022-12-23 v2 图形学
机器学习
摘要
由于3D格式中存储的大量信息，三维深度学习是一个日益受关注的领域。三角网格是不规则、非均匀3D物体的一种高效表示。然而，由于其高几何复杂性，网格通常难以标注。具体而言，为网格创建分割掩码繁琐且耗时。因此，期望以有限标注数据训练分割网络。自监督学习(SSL)作为一种无监督表示学习形式，是一种可减少训练监督负担的、日益受到青睐的完全监督学习替代方案。我们提出SSL-MeshCNN，一种用于网格分割CNN预训练的自监督对比学习方法。我们从传统对比学习框架中汲取灵感，设计了一种专门面向网格的新颖对比学习算法。我们的初步实验显示出有前景的结果，将网格分割所需的大量标注数据需求减少了至少33%。
引用
@article{arxiv.2208.04278,
title = {Self-Supervised Contrastive Representation Learning for 3D Mesh Segmentation},
author = {Ayaan Haque and Hankyu Moon and Heng Hao and Sima Didari and Jae Oh Woo and Patrick Bangert},
journal= {arXiv preprint arXiv:2208.04278},
year = {2022}
}
备注
AAAI 2023