점云集上的自我监督少样本学习 注：这里的“点云集”是“point clouds”的直译，但在韩文中更常见的术语是“점雲”或“3D 점군”。如果你希望使用更专业的术语，请告知。

점운영의 대량 제공 증가와 이들이 로봇공학, 형태 합성, 자율주행 차량 등 다양한 응용 분야에서의 활용성이 결합되면서 산업계와 학계 모두에서 더욱 많은 관심을 받고 있습니다. 최근에 라벨된 점운영을 처리하는 딥 신경망은 분류 및 세그멘테이션과 같은 지도 학습 과제에서 유망한 결과를 보여주었습니다. 그러나 지도 학습은 점운영을 주석화하는 번거로운 작업으로 이어집니다. 이러한 문제를 해결하기 위해 우리는 커버 트리(cover-tree)를 사용하여 점운영의 계층적 파티셔닝을 인코딩하는 두 가지 새로운 자기지도 사전 학습 과제를 제안합니다. 여기서 각 커버 트리 수준에서는 서로 다른 반지름의 공(ball) 내에 점운영 하위 집합이 위치하게 됩니다. 또한, 우리의 자기지도 학습 네트워크는 소수 샷 학습(Few-Shot Learning, FSL) 환경에서 다운스트림 네트워크를 훈련시키는 데 사용되는 희소한 훈련 예제로 구성된 지원 집합(support set) 위에서만 사전 훈련됩니다. 마지막으로, 완전히 훈련된 자기지도 학습 네트워크의 점 임베딩(point embeddings)은 다운스트림 작업의 네트워크 입력으로 사용됩니다. 우리는 본 방법론을 분류 및 세그멘테이션 다운스트림 작업에 대해 포괄적인 실증 평가를 수행하였으며, 우리의 자기지도 학습 방법으로 사전 훈련된 지도 방법론이 최신 기법들의 정확도를 크게 개선함을 보였습니다. 또한, 우리의 방법론은 다운스트림 분류 작업에서도 이전 비지도 방법론들을 능가하였습니다.