Point Discriminative Learning for Data-efficient 3D Point Cloud Analysis

要約

3D 点群解析は、その幅広いアプリケーションにより、多くの研究注目を集めています。
ただし、大量のラベル付き 3D 点群データを収集するには、時間と労力がかかります。
これには、データ効率の高い学習方法が必要です。
この作業では、データ効率の高い 3D 点群の分類とセグメンテーションのために自己教師を活用する点弁別学習法である PointDisc を提案します。
PointDisc は、バックボーン ネットワークによって生成される中間レベルおよびグローバル レベルの機能に、新しいポイント弁別損失を課します。
この点弁別損失により、学習された特徴は、対応する局所形状領域に属する点と一致し、ランダムにサンプリングされたノイズのある点と一致しなくなります。
3D オブジェクト分類、3D セマンティック、およびパーツ セグメンテーションに関する広範な実験を行い、データ効率の高い学習に対する PointDisc の利点を示します。
詳細な分析は、PointDisc がローカルおよびグローバル ジオメトリを適切にキャプチャする教師なし機能を学習することを示しています。

要約(オリジナル)

3D point cloud analysis has drawn a lot of research attention due to its wide applications. However, collecting massive labelled 3D point cloud data is both time-consuming and labor-intensive. This calls for data-efficient learning methods. In this work we propose PointDisc, a point discriminative learning method to leverage self-supervisions for data-efficient 3D point cloud classification and segmentation. PointDisc imposes a novel point discrimination loss on the middle and global level features produced by the backbone network. This point discrimination loss enforces learned features to be consistent with points belonging to the corresponding local shape region and inconsistent with randomly sampled noisy points. We conduct extensive experiments on 3D object classification, 3D semantic and part segmentation, showing the benefits of PointDisc for data-efficient learning. Detailed analysis demonstrate that PointDisc learns unsupervised features that well capture local and global geometry.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google