SL3D：自监督-自标注的三维识别
计算机视觉与模式识别
2022-12-19 v3
摘要
深度学习在许多三维视觉识别任务中取得了显著成功，包括形状分类、目标检测与语义分割。然而，这些成果中有许多依赖于人工收集密集标注的真实世界三维数据，这类数据获取极为耗时且昂贵，限制了三维识别任务的可扩展性。因此，我们研究无监督三维识别，并提出一种自监督-自标注三维识别（SL3D）框架。SL3D同时求解两个耦合目标，即聚类与学习特征表示，以生成用于无监督三维识别的伪标注数据。SL3D是一个通用框架，可应用于解决不同的三维识别任务，包括分类、目标检测与语义分割。大量实验证明了其有效性。代码见 https://github.com/fcendra/sl3d。
引用
@article{arxiv.2210.16810,
title = {SL3D: Self-supervised-Self-labeled 3D Recognition},
author = {Fernando Julio Cendra and Lan Ma and Jiajun Shen and Xiaojuan Qi},
journal= {arXiv preprint arXiv:2210.16810},
year = {2022}
}
备注
This paper has already been accepted by Neural Information Processing Systems (NeurIPS 2022) Workshop on Self-Supervised Learning: Theory and Practice