التعلم غير المشرف ثلاثي الأبعاد لتحليل الشكل عبر التمييز بين الحالات متعددة الدقة

رغم أن التعلم غير المشرف للخصائص قد أظهر مزاياه في تقليل عبء تصنيف البيانات وتصميم الشبكات في العديد من المجالات، فإن طرق التعلم ثلاثي الأبعاد غير المشرف الحالية لا تزال غير قادرة على تقديم شبكة عامة لمهام تحليل الأشكال المختلفة بمستوى أداء ينافس الطرق المشرف عليها. في هذا البحث، نقترح طريقة غير مشرفة لتعلم شبكة ترميز الأشكال العامة والفعالة لمختلف مهام تحليل الأشكال. الفكرة الرئيسية لطريقتنا هي ترميز وتعلم خصائص الأشكال والنقاط بشكل مشترك من السحابات النقطية ثلاثية الأبعاد الغير مصنفة. لهذا الغرض، نقوم بتعديل HR-Net لتناسب شبكات العصب المتكررة القائمة على الشجرة الثمانية (Octree-based Convolutional Neural Networks) لترميز خصائص الأشكال والنقاط بشكل مشترك باستخدام شبكات فرعية متعددة الدقة مدمجة، ونقوم بتصميم دالة خسارة تمييز الحالات متعددة الدقة (Multiresolution Instance Discrimination - MID) بسيطة ومعقدة في الوقت نفسه لتعلم الخصائص المشتركة للأشكال والنقاط. تقوم شبكتنا بأخذ سحابة نقطية ثلاثية الأبعاد كمدخل وإنتاج خصائص كل من الشكل والنقطة. بعد التدريب، يتم ربط الشبكة بطبقات خلفية بسيطة ومحددة للمهمة وتتم ضبطها بدقة للعديد من مهام تحليل الأشكال. نقيم فعالية ومنهجية طريقتنا ونتحقق من تصميم شبكتنا ودالة الخسارة الخاصة بها باستخدام مجموعة من مهام تحليل الأشكال، بما في ذلك تصنيف الأشكال، وتقسيم الأشكال الدلالي، وكذلك مهام تسجيل الأشكال. مع استخدام طبقات خلفية بسيطة، أظهرت شبكتنا أفضل أداء بين جميع الطرق غير المشرفة وحققت مستوى أداء ينافس الطرق المشرفة عليها، خاصة في المهام التي تحتوي على قاعدة بيانات صغيرة ومصنفة. بالنسبة لتقسيم الأشكال الدقيق للغاية، فإن طريقتنا حتى تتخطى الطرق المشرفة الموجودة بمقدار كبير.