Selbstüberwachtes Lernen von Punktwolken durch Orientierungsschätzung

Punktwolken bieten eine kompakte und effiziente Darstellung von 3D-Formen. Obwohl tiefgreifende Neuronale Netze bei Lernaufgaben mit Punktwolken beeindruckende Ergebnisse erzielt haben, benötigen sie enorme Mengen manuell beschrifteter Daten, die teuer und zeitaufwendig zu sammeln sind. In dieser Arbeit nutzen wir 3D-Selbstüberwachung (Self-Supervision), um Downstream-Aufgaben auf Punktwolken mit weniger Labels zu lernen. Eine Punktwolke kann auf unendlich viele Arten rotiert werden, was eine reichhaltige, beschriftungsfreie Quelle für Selbstüberwachung bietet. Wir betrachten die Nebenaufgabe der Vorhersage von Rotationen, die ihrerseits nützliche Merkmale für andere Aufgaben wie Formklassifikation und 3D-Schlüsselpunktvorhersage liefert. Mit Experimenten an ShapeNet und ModelNet zeigen wir, dass unser Ansatz den aktuellen Stand der Technik übertrifft. Zudem ergänzen die durch unser Modell gelernten Merkmale andere selbstüberwachte Methoden, und ihre Kombination führt zu weiterer Leistungsverbesserungen.