【点云系列】Unsupervised Multi-Task Feature Learning on Point Clouds

1. 概要

题目：Unsupervised Multi-Task Feature Learning on Point Clouds
论文：https://openaccess.thecvf.com/content_ICCV_2019/papers/Hassani_Unsupervised_Multi-Task_Feature_Learning_on_Point_Clouds_ICCV_2019_paper.pdf

2. 动机

传统手工设计特征主要捕获局部或全局统计属性，无法表征语义特性。
是否有一个针对需要语义特性这类任务的通用特征呢？

于是本文 提出了一个可以针对非监督多任务模型的特征表达，基于多尺度图的编码器。可端到端训练。

3. 算法

针对三个非监督学习任务：

1. 聚类
2. 重构
3. 自监督分类

整体框架：

解码器： 多层尺度的（图卷积 + 卷积 + 池化）+ 扰动高斯噪声
本质上适用多任务，也是因为用了这些任务的损失来一起进行训练了，自然有了这个功能。
图卷积定义： 其实就是两个点之间的残差了；

算法描述：

训练集： S = { s 1 , s 2 , . . . , s N } S=\{s_1, s_2, ..., s_N\} S={ s1​,s2​,...,sN​}，N个点。
一个点： s i = { p 1 i , p 2 i , . . , p M 1 } s_i =\{ p^i_1, p^i_2, .., p^1_M\} si​={ p1i​,p2i​,..,pM1​}, M个无序点， $p_j^i=(x_j^i,y_j^i,z_j^{}$