비지도 점군 사전 학습을 통한 가림 완성

우리는 포인트 클라우드(point clouds)를 위한 간단한 사전 학습(pre-training) 접근법을 설명합니다. 이 방법은 세 단계로 이루어져 있습니다: 1. 카메라 뷰에서 가려진 모든 포인트를 마스킹(masking)합니다; 2. 가려진 포인트를 재구성(reconstruct)하기 위한 인코더-디코더(encoder-decoder) 모델을 학습합니다; 3. 인코더의 가중치(weights)를 하류 태스크(downstream point cloud tasks)의 초기화(initialisation)로 사용합니다. 우리는 ModelNet40에서 단일 사전 학습 데이터셋을 구축하더라도, 이 사전 학습 방법이 다양한 데이터셋과 인코더에서 정확도를 향상시키는 것을 발견했습니다. 특히, 우리의 방법이 객체 분류(object classification), 부품 기반(part-based) 및 의미 분할(semantic segmentation) 태스크에서 이전의 사전 학습 방법들을 능가하는 것을 보여주었습니다. 우리는 사전 학습된 특징(pre-trained features)을 연구하여, 이러한 특징들이 넓은 하류 최소값(minima), 높은 변환 불변성(transformation invariance), 그리고 부품 라벨(part labels)과 높게 상관관계가 있는 활성화(activations)를 가지는 것을 확인했습니다.코드와 데이터는 다음 주소에서 이용 가능합니다: https://github.com/hansen7/OcCo