SeRP：基于扰动点云的自监督表示学习
计算机视觉与模式识别
2022-09-14 v1 人工智能
摘要
我们提出 SeRP，一种用于三维点云自监督学习(self-supervised learning)的框架。SeRP 采用编码器-解码器架构，以受扰动或损坏的点云作为输入，旨在重建无损坏的原始点云。编码器在低维子空间中学习点云的高层潜在表示并恢复原始结构。本工作中，我们使用了基于 Transformer 和 PointNet 的自编码器。所提框架还解决了基于 Transformer 的掩码自编码器(masked autoencoders)的一些局限性，这类模型容易出现位置信息泄露和信息密度不均的问题。我们在完整的 ShapeNet 数据集上训练模型，并在 ModelNet40 上以分类作为下游任务进行评估。我们展示了预训练模型的分类准确率比从头训练的网络高出 0.5-1%。此外，我们还提出了 VASP：用于点云自监督表示学习的矢量量化自编码器(Vector-Quantized Autoencoder for Self-supervised Representation Learning for Point Clouds)，其采用矢量量化(vector-quantization)为基于 Transformer 的自编码器进行离散表示学习。
引用
@article{arxiv.2209.06067,
title = {SeRP: Self-Supervised Representation Learning Using Perturbed Point Clouds},
author = {Siddhant Garg and Mudit Chaudhary},
journal= {arXiv preprint arXiv:2209.06067},
year = {2022}
}
备注
6 pages