点云数据的自监督学习：综述
计算机视觉与模式识别
2023-05-25 v2
摘要
3D 点云是 LiDAR 传感器采集的一类关键数据，因其简洁的描述和精确的定位而广泛应用于交通领域。深度神经网络（DNNs）在处理大量无序且稀疏的 3D 点云方面取得了显著成功，尤其在行人检测和车辆识别等多种计算机视觉任务中。在所有学习范式中，自监督学习（SSL）作为一种从无标注数据中挖掘有效信息的无监督训练范式，被视为通过巧妙的预训练任务设计来解决耗时费力数据标注问题的重要方案。本文对点云 SSL 的最新进展进行了全面综述。我们首先提出了一种创新性的分类法，根据 pretexts（代理任务）的特征将现有 SSL 方法分为四大类。在每一大类下，我们进一步将方法划分为更细粒度的组，并总结代表性方法的优势与局限。我们还在多个基准数据集上从定量和定性两方面比较了文献中 notable SSL 方法在多个下游任务上的性能。最后，基于已识别的点云 SSL 研究局限，我们提出了若干未来研究方向。
引用
@article{arxiv.2305.11881,
title = {Self-Supervised Learning for Point Clouds Data: A Survey},
author = {Changyu Zeng and Wei Wang and Anh Nguyen and Yutao Yue},
journal= {arXiv preprint arXiv:2305.11881},
year = {2023}
}