摘要
点云提供了一种灵活且自然的表示方法，适用于机器人技术或自动驾驶汽车等众多应用。近年来，直接在原始点云数据上运行的深度神经网络在监督学习任务（如物体分类和语义分割）中展现出令人鼓舞的结果。尽管现代扫描技术可以捕获大规模的点云数据集，但手动标记这些大型3D点云以用于监督学习任务是一个繁琐的过程。这促使研究人员开发能够从无标签数据中学习的方法，从而显著减少监督学习所需的标注样本数量。我们提出了一种自监督学习任务，该任务通过训练神经网络来重建其部分被随机重新排列的点云。在解决这一任务的过程中，网络学会了捕捉点云的语义特性。我们的方法对网络架构没有特定要求，并在下游物体分类任务中优于当前的无监督学习方法。实验结果表明，在监督训练之前使用我们的方法进行预训练，可以提升现有最先进模型的性能并显著提高样本效率。