【点云处理】康奈尔大学&Adobe研究中心--利用3D自监督来学习处理较少标签点云数据

论文地址： https://arxiv.org/pdf/2008.00305.pdf

代码：

来源： 康奈尔大学，Adobe研究中心

论文名称：Self-Supervised Learning of Point Clouds via Orientation Estimation

原文作者：Omid Poursaeed

内容提要

点云为3D形状提供了一种紧凑而有效的表示。虽然深度神经网络在点云学习任务上取得了优秀的成果，但它们需要大量的人工进行数据标注，并且收集这些数据的成本昂贵且耗时长。本文利用3D自监督来学习处理较少标签点云上的下游任务。点云具有无限多种旋转方式，为自监督学习提供了丰富的无标签数据源。本文考虑到预测旋转的辅助任务，可以为其他任务带来有效特征，例如形状分类和3D关键点预测。通过在ShapeNet和ModelNet上进行的实验，证明了本文方法性能SOTA。此外，我们的模型所学习到的特征与其他自监督方法是互补的，结合起来可以进一步提高性能。

主要框架及实验结果

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。