Multi-Angle Point Cloud-VAE: التعلم غير المشرف للخصائص من السحابات النقطية ثلاثية الأبعاد من زوايا متعددة عن طريق إعادة الإنشاء الذاتي المشترك والتوقع من نصف إلى نصف

التعلم غير المشرف للخصائص في السحابات النقطية كان له دور حاسم في فهم السحابات النقطية على نطاق واسع. تعتمد الطرق الحديثة القائمة على التعلم العميق على تعلم الهندسة العالمية من خلال إعادة بناء الذات. ومع ذلك، لا تزال هذه الطرق تعاني من عدم فعالية تعلم الهندسة المحلية، مما يحد بشكل كبير من تمييز الخصائص المُتعلَّمة. لحل هذه المشكلة، نقترح استخدام MAP-VAE لتمكين تعلم الهندسة العالمية وال محلية من خلال الاستفادة المشتركة من الإشراف الذاتي العالمي والمحلِّي. لتمكين الإشراف الذاتي المحلي الفعال، نقدم تحليل متعدد الزوايا للسحابات النقطية. في سيناريو متعدد الزوايا، نقسم أولاً السحابة النقطية إلى نصف أمامي ونصف خلفي من كل زاوية، ثم ندرب MAP-VAE على التعلم لكيفية التنبؤ بمتتالية النصف الخلفي من المتتالية الأمامية المقابلة لها. يقوم MAP-VAE بهذه التنبؤات من نصف إلى نصف باستخدام RNN (شبكات العصبونات المتكررة) لتعلم كل هندسة محلية والعلاقة المكانية بينها في آن واحد.بالإضافة إلى ذلك، يتعلم MAP-VAE الهندسة العالمية أيضًا عبر إعادة بناء الذات، حيث نستخدم قيدًا متغيرًا (variational constraint) لتسهيل إنشاء أشكال جديدة. أظهرت النتائج الفائقة في أربع مهام لتحليل الأشكال أن MAP-VAE يمكنه تعلم خصائص عالمية أو محلية أكثر تمييزًا مقارنة بالأساليب الرائدة حاليًا.