Apprentissage profond auto-supervisé sur les nuages de points par reconstruction de l'espace

Les nuages de points offrent une représentation flexible et naturelle utilisable dans de nombreuses applications telles que la robotique ou les voitures autonomes. Récemment, les réseaux neuronaux profonds opérant sur des données brutes de nuages de points ont montré des résultats prometteurs dans des tâches d'apprentissage supervisé comme la classification d'objets et la segmentation sémantique. Bien que des ensembles de données massifs de nuages de points puissent être capturés à l'aide de technologies de numérisation modernes, l'étiquetage manuel de ces grands nuages de points pour des tâches d'apprentissage supervisé est un processus fastidieux. Cela nécessite donc des méthodes capables d'apprendre à partir de données non étiquetées afin de réduire considérablement le nombre d'échantillons annotés nécessaires pour l'apprentissage supervisé. Nous proposons une tâche d'apprentissage auto-supervisé pour l'apprentissage profond sur des données brutes de nuages de points, dans laquelle un réseau neuronal est formé pour reconstruire des nuages de points dont les parties ont été aléatoirement réorganisées. En résolvant cette tâche, des représentations qui capturent les propriétés sémantiques du nuage de points sont apprises. Notre méthode est indépendante de l'architecture du réseau et surpassent les approches actuelles d'apprentissage non supervisé dans les tâches downstream (en aval) de classification d'objets. Nous démontrons expérimentalement que le pré-entraînement avec notre méthode avant l'entraînement supervisé améliore les performances des modèles state-of-the-art (de pointe) et augmente considérablement l'efficacité échantillonnale.