基于位姿解耦的从部分点云自监督特征学习
计算机视觉与模式识别
2022-01-11 v1
摘要
点云上的自监督学习近来备受关注，因为它解决了点云任务中的标签效率和域间隙问题。本文提出一种新颖的自监督框架，从部分点云中学习信息丰富的表示。我们利用LiDAR扫描的包含内容与位姿属性的部分点云，并展示从部分点云中解耦这两个因素可增强特征表示学习。为此，我们的框架由三个主要部分组成：1）一个补全网络以捕获点云的整体语义；2）一个位姿回归网络以理解部分数据的扫描视角；3）一个部分重建网络以鼓励模型学习内容特征和位姿特征。为证明所学特征表示的鲁棒性，我们进行了多项下游任务，包括分类、部件分割和配准，并与最先进方法进行比较。我们的方法不仅优于现有自监督方法，而且在合成与真实世界数据集间展现出更好的泛化能力。
引用
@article{arxiv.2201.03018,
title = {Self-Supervised Feature Learning from Partial Point Clouds via Pose Disentanglement},
author = {Meng-Shiun Tsai and Pei-Ze Chiang and Yi-Hsuan Tsai and Wei-Chen Chiu},
journal= {arXiv preprint arXiv:2201.03018},
year = {2022}
}
备注
10 pages, 4 figures and 6 tables