Self-Supervised Contrastive Representation Learning for 3D Mesh Segmentation

要約

3Dディープラーニングは、3Dフォーマットに格納された膨大な情報のため、関心が高まっている分野である。三角メッシュは、不規則で不均一な3Dオブジェクトの効率的な表現方法である。しかし、メッシュはその高い幾何学的複雑性から、しばしばアノテーションが困難である。具体的には、メッシュに対するセグメンテーションマスクの作成は面倒であり、時間がかかる。そのため、限られたラベル付けデータでセグメンテーションネットワークを学習することが望ましい。教師なし表現学習の一種である自己教師付き学習(SSL)は、学習のための監督の負担を減らすことができる完全教師付き学習の代替手法として注目されている。我々は、メッシュ分割のためのCNNを事前学習するための自己教師付き対比学習法であるSSL-MeshCNNを提案する。我々は、伝統的な対比学習フレームワークからヒントを得て、メッシュに特化した新しい対比学習アルゴリズムを設計する。我々の予備実験では、メッシュセグメンテーションに必要な重いラベル付きデータの要件を少なくとも33%削減する有望な結果を示している。

要約(オリジナル)

3D deep learning is a growing field of interest due to the vast amount of information stored in 3D formats. Triangular meshes are an efficient representation for irregular, non-uniform 3D objects. However, meshes are often challenging to annotate due to their high geometrical complexity. Specifically, creating segmentation masks for meshes is tedious and time-consuming. Therefore, it is desirable to train segmentation networks with limited-labeled data. Self-supervised learning (SSL), a form of unsupervised representation learning, is a growing alternative to fully-supervised learning which can decrease the burden of supervision for training. We propose SSL-MeshCNN, a self-supervised contrastive learning method for pre-training CNNs for mesh segmentation. We take inspiration from traditional contrastive learning frameworks to design a novel contrastive learning algorithm specifically for meshes. Our preliminary experiments show promising results in reducing the heavy labeled data requirement needed for mesh segmentation by at least 33%.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL