Apprentissage non supervisé 3D pour l'analyse de forme via la discrimination d'instances multirésolution

Bien que l'apprentissage non supervisé des caractéristiques ait démontré ses avantages pour réduire la charge de travail liée à l'étiquetage des données et à la conception des réseaux dans de nombreux domaines, les méthodes d'apprentissage non supervisé existantes en 3D ne peuvent toujours pas offrir un réseau générique capable de rivaliser avec les méthodes supervisées pour diverses tâches d'analyse de formes. Dans cet article, nous proposons une méthode non supervisée pour apprendre un réseau d'encodage de forme générique et efficace destiné à différentes tâches d'analyse de formes. L'idée centrale de notre méthode consiste à encoder et à apprendre conjointement les caractéristiques de forme et de points à partir de nuages de points 3D non étiquetés. Pour ce faire, nous adaptons HR-Net aux réseaux neuronaux convolutifs basés sur les octrees afin d'encoder conjointement les caractéristiques de forme et de points avec des sous-réseaux fusionnés à résolution multiple, et nous concevons une perte simple mais efficace de discrimination d'instances multirésolution (MID) pour apprendre conjointement ces caractéristiques. Notre réseau prend en entrée un nuage de points 3D et produit en sortie tant les caractéristiques de forme que celles des points. Après l'entraînement, le réseau est concaténé avec des couches arrière spécifiques à chaque tâche simples et affiné pour différentes tâches d'analyse de formes. Nous évaluons l'efficacité et la généralité de notre méthode en validant la conception de notre réseau et de notre perte par un ensemble de tâches d'analyse de formes, notamment la classification des formes, la segmentation sémantique des formes ainsi que les tâches d'enregistrement des formes. Avec des couches arrière simples, notre réseau montre les meilleures performances parmi toutes les méthodes non supervisées et atteint des performances compétitives par rapport aux méthodes supervisées, particulièrement dans les tâches disposant d'un petit ensemble de données étiquetées. Pour la segmentation fine-grained des formes, notre méthode dépasse même considérablement les méthodes supervisées existantes.