Unüberwachtes 3D-Lernen für Formanalyse durch Mehrskalen-Instanzdiskriminierung

Obwohl das unüberwachte Feature Learning seine Vorteile bei der Reduzierung der Arbeitsbelastung für die Datenaufbereitung und Netzwerkgestaltung in vielen Bereichen gezeigt hat, können bestehende unüberwachte 3D-Lernmethoden noch immer kein allgemeines Netzwerk für verschiedene Formanalyseaufgaben mit einer Leistung bieten, die mit überwachten Methoden mithalten kann. In dieser Arbeit schlagen wir eine unüberwachte Methode vor, um ein generisches und effizientes Netzwerk zur Formkodierung für unterschiedliche Formanalyseaufgaben zu lernen. Das Kernkonzept unserer Methode besteht darin, Form- und Punkteigenschaften aus nicht annotierten 3D-Punktwolken gemeinsam zu kodieren und zu lernen. Zu diesem Zweck passen wir HR-Net an oktreebasierte Faltungsneuronale Netze an, um Form- und Punkteigenschaften mit fusionierten Multiresolutionsunternetzen gemeinsam zu kodieren, und entwickeln einen einfachen aber effizienten Verlust zur Multiresolutionsinstanzdiskriminierung (MID) für das gemeinsame Lernen von Form- und Punkteigenschaften. Unser Netzwerk nimmt eine 3D-Punktwolke als Eingabe entgegen und gibt sowohl Form- als auch Punkteigenschaften als Ausgabe zurück. Nach dem Training wird das Netzwerk mit einfachen aufgabenspezifischen Back-End-Schichten verbunden und für verschiedene Formanalyseaufgaben feinjustiert. Wir bewerten die Effektivität und Allgemeingültigkeit unserer Methode und validieren unser Netzwerk sowie den Verlustdesign anhand einer Reihe von Formanalyseaufgaben, einschließlich der Formklassifikation, semantischen Formsegmentierung sowie der Formregistrierungsaufgaben. Mit einfachen Back-Ends zeigt unser Netzwerk die beste Leistung unter allen unüberwachten Methoden und erreicht eine vergleichbare Leistung wie überwachte Methoden, insbesondere in Aufgaben mit kleinen annotierten Datensätzen. Bei der feingranularen Formsegmentierung übertreffen unsere Ergebnisse sogar existierende überwachte Methoden deutlich.