Multi-Angle Point Cloud-VAE : Apprentissage non supervisé de caractéristiques pour des nuages de points 3D à partir de multiples angles par reconstruction auto-jointe et prédiction demi-par-demi

L'apprentissage non supervisé des caractéristiques pour les nuages de points a été essentiel pour la compréhension à grande échelle des nuages de points. Les méthodes récentes basées sur l'apprentissage profond dépendent de l'apprentissage de la géométrie globale par auto-reconstruction. Cependant, ces méthodes souffrent encore d'un apprentissage inefficace de la géométrie locale, ce qui limite considérablement la discriminabilité des caractéristiques apprises. Pour résoudre ce problème, nous proposons MAP-VAE afin de permettre l'apprentissage de la géométrie globale et locale en utilisant conjointement une auto-supervision globale et locale. Pour faciliter une auto-supervision locale efficace, nous introduisons une analyse multi-angle pour les nuages de points. Dans un scénario multi-angle, nous divisons d'abord un nuage de points en deux moitiés, avant et arrière, à partir de chaque angle, puis nous formons MAP-VAE pour apprendre à prédire une séquence de moitié arrière à partir de la séquence correspondante de moitié avant. MAP-VAE effectue cette prédiction moitié-par-moitié en utilisant un RNN (Réseau neuronal récurrent) pour apprendre simultanément chaque géométrie locale et les relations spatiales entre elles. De plus, MAP-VAE apprend également la géométrie globale par auto-reconstruction, où nous utilisons une contrainte variationnelle pour faciliter la génération de nouvelles formes. Les résultats supérieurs dans quatre tâches d'analyse de forme montrent que MAP-VAE peut apprendre des caractéristiques globales ou locales plus discriminantes que les méthodes les plus avancées actuellement disponibles.