Apprentissage auto-supervisé par few-shot sur des nuages de points

L'augmentation de la disponibilité des nuages de points massifs, couplée à leur utilité dans une variété d'applications telles que la robotique, la synthèse de formes et les voitures autonomes, a attiré une attention croissante tant de la part de l'industrie que de l'académie. Récemment, les réseaux neuronaux profonds opérant sur des nuages de points étiquetés ont montré des résultats prometteurs pour les tâches d'apprentissage supervisé comme la classification et la segmentation. Cependant, l'apprentissage supervisé entraîne la tâche fastidieuse d'annotation des nuages de points. Pour remédier à ce problème, nous proposons deux nouvelles tâches d'apprentissage pré-entraînement auto-supervisé qui encodent une partition hiérarchique des nuages de points en utilisant un arbre couvrant (cover-tree), où les sous-ensembles de nuages de points se trouvent au sein de sphères de rayons variables à chaque niveau de l'arbre couvrant. De plus, notre réseau d'apprentissage auto-supervisé est limité à un pré-entraînement sur l'ensemble de support (composé d'exemples rares) utilisé pour entraîner le réseau aval dans un contexte d'apprentissage par quelques exemples (few-shot learning - FSL). Enfin, les plongements (embeddings) de points issus du réseau auto-supervisé entièrement entraîné sont utilisés comme entrée pour le réseau chargé des tâches aval. Nous présentons une évaluation empirique complète de notre méthode sur les tâches de classification et de segmentation aval, et démontrons que les méthodes supervisées pré-entraînées avec notre méthode d'apprentissage auto-supervisé améliorent considérablement la précision des méthodes actuelles. De plus, notre méthode surpass également les méthodes non supervisées précédentes dans les tâches de classification aval.