الرجوع قبل البناء: الرجوع التلقائي للكود للسحابة النقطية التعلم الذاتي بدون إشراف

أثبتت طرق الترميز الآلي المقنّعة (MAE) أداءً واعداً في التعلم الذاتي بدون إشراف لرؤية الحاسوب ثنائية الأبعاد وثلاثية الأبعاد. ومع ذلك، لا تزال الطرق القائمة على MAE تعاني من بعض العيوب. أولاً، الانفصال الوظيفي بين المُشفِّر والمُفكِّك غير مكتمل، مما يحد من قدرة المُشفِّر على تعلم تمثيل البيانات. ثانياً، تقوم المهام اللاحقة باستخدام المُشفِّر فقط، مما يؤدي إلى عدم الاستفادة الكاملة من المعرفة التي تم اكتسابها عبر بنية المُشفِّر والمُفكِّك في مهمة النص البديل.في هذا البحث، نقترح طريقة جديدة تسمى ترميز النقطة الانحداري (Point-RAE)، وهي مخطط جديد للترميز الآلي الانحداري لتعلم النقاط السحابي بدون إشراف. الطريقة المقترحة تنفصل بين الوظائف للمُفكِّك والمُشفِّر بإدخال متنبئ القناع (mask regressor)، الذي يقوم بتوقع تمثيل القطع المحجوبة من تمثيل القطع المرئية التي يتم ترميزها بواسطة المُشفِّر، بينما يقوم المُفكِّك بإعادة بناء الهدف من تمثيل القطع المحجوبة المتوقعة. بهذه الطريقة، نقلل من تأثير تحديثات المُفكِّك على فضاء التمثيل للمُشفِّر.بالإضافة إلى ذلك، نقدم قيدًا للمحاذاة لضمان أن تمثيلات القطع المحجوبة المتوقعة من تمثيلات القطع المرئية المشفرة تكون محاذاة مع تمثيلات القطع المحجوبة التي يتم حسابها بواسطة المُشفِّر. لتحقيق الاستفادة الكاملة من المعرفة التي تم تعلمها في مرحلة التدريب الأولي، صممنا وضعًا جديدًا لتحديث الدقة النهائية للـ Point-RAE المقترح.التجارب الواسعة تظهر أن نهجنا فعال أثناء التدريب الأولي ويتميز بقدرة عالية على التعميم في مختلف المهام اللاحقة. وبشكل خاص، حققت نماذجنا المعروفة بالتدريب دقة عالية بلغت \textbf{90.28\%} في الجزء الأكثر صعوبة من مجموعة بيانات ScanObjectNN ودقة \textbf{94.1\%} في ModelNet40، مما يتفوق على جميع طرق التعلم الذاتي بدون إشراف الأخرى. يمكن الوصول إلى كودنا والنماذج المعروفة بالتدريب بشكل عام عبر الرابط: \url{https://github.com/liuyyy111/Point-RAE}.