Self-Ordering Point Clouds

要約

タイトル：自己整列点群
要約：
– 本論文では、点ごとの順序付けを用いて3D点群内の代表的な部分集合を見つける課題に取り組む。
– この課題への対処には、点やクラウドのラベルを取得するのが難しいいくつかの作品があるが、本研究では自己監督を介して3D点群内の点ごとの順序付けのタスクを導入する。
– さらに、自己教師学習により点ごとの順序付けを学習する最初のエンドツーエンドトレーニング可能なネットワークを提供する。
– これには、新しい微分可能な点スコアリングソート戦略が利用され、自己監督信号を得るために階層的な対照的なスキームが構築されている。
– エクステンシブリーに方法を洗練して、複数のデータセットやタスクにおいて監視された順序付け手法と比較してスケーラビリティと優れたパフォーマンスを示し、未知のカテゴリからの点クラウドの零-shot順序付けを含む。

要約(オリジナル)

In this paper we address the task of finding representative subsets of points in a 3D point cloud by means of a point-wise ordering. Only a few works have tried to address this challenging vision problem, all with the help of hard to obtain point and cloud labels. Different from these works, we introduce the task of point-wise ordering in 3D point clouds through self-supervision, which we call self-ordering. We further contribute the first end-to-end trainable network that learns a point-wise ordering in a self-supervised fashion. It utilizes a novel differentiable point scoring-sorting strategy and it constructs an hierarchical contrastive scheme to obtain self-supervision signals. We extensively ablate the method and show its scalability and superior performance even compared to supervised ordering methods on multiple datasets and tasks including zero-shot ordering of point clouds from unseen categories.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI