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。