Selbstüberwachtes Few-Shot-Lernen auf Punktwolken

Die erhöhte Verfügbarkeit von massiven Punktwolken zusammen mit ihrer Nützlichkeitin einer Vielzahl von Anwendungen wie Robotik, Formsynthese undautonomen Fahrzeugen hat sowohl in der Industrie als auch in der Wissenschaft verstärktes Interesse geweckt. Kürzlich haben tiefgreifende neuronale Netze, die auf annotierten Punktwolken operieren,versprechende Ergebnisse bei überwachten Lernaufgaben wie Klassifikation und Segmentierung gezeigt. Allerdings führt das überwachte Lernen zu der mühsamen Aufgabe,die Punktwolken zu annotieren. Um dieses Problem zu bekämpfen, schlagen wir zwei neuartige selbstüberwachte Vortrainingsaufgaben vor,die eine hierarchische Partitionierung der Punktwolken mithilfe eines Cover-Trees kodieren, wobei Teilmengen der Punktwolken in Bällen unterschiedlicher Radienauf jeder Ebene des Cover-Trees liegen. Darüber hinaus wird unser Netzwerk für das selbstüberwachte Lernen eingeschränkt auf das Vortrainieren mit dem Support-Set(aus spärlichen Trainingsbeispielen bestehend), das verwendet wird, um das nachgeschaltete Netzwerk in einem Few-Shot-Learning (FSL)-Szenario zu trainieren.Schließlich werden die vollständig vortrainierten Point-Embeddings des selbstüberwachten Netzwerks als Eingabe für das Netzwerk der nachgeschalteten Aufgabe verwendet.Wir präsentieren eine umfassende empirische Bewertung unserer Methode anhand von Klassifikations- und Segmentierungsaufgaben im Nachgang und zeigen,dass überwachte Methoden, die mit unserer Methode für das selbstüberwachte Lernen vortrainiert wurden, die Genauigkeit von Stand-of-the-Art-Methoden erheblich verbessern.Zudem übertrifft unsere Methode auch frühere unüberwachte Methoden in den Klassifikationsaufgaben im Nachgang.