文章目录
1. 概要
论文:PointGLR: Unsupervised Structural Representation Learning of 3D Point Clouds
代码:https://github.com/raoyongming/PointGLR
这一篇是由CVPR2020会议扩展为期刊中稿在PAMI顶刊上的文章。
PAMI中稿的文章果然是延续了大量实验的良好传承。
期刊里的改动大致有三点:
- 新的层级 全局-局部推理方案,用来用非监督模式来表达3D场景
- 提供更多深入分析和可视化;
- 添加了3D检测与场景分割的实验;
2. 动机
获得通用却鲁棒的表征模型,具有通用性,可适用点云下游任务;
3. 方法
全局和局部结构结合式。
有个前提假设:
- 局部和全局共享属性,可以看成局部是全局的一部分;这个体现在下图当中就是,给定飞机的一个尾巴区域,一个好的尾巴区域的表达,能够反映相应全局飞机的类型;而整个飞机的表达则应该包含必要的细节来推断出飞机的局部结构;
- 局部和局部特征见有明显的区分,可以看成是独立的;
整体网络架构如下图所示:
3.1 局部到全局的推理
目的:局部 与 全局表征尽可能地相似,表现在图里就是红色框内,局部特征(蓝色圆圈)和全局特征(橘色圆圈)要尽可能地接近。
做法:分连个部分,预测网络和自监督度量学习
3.1.1 预测网络
作用:将全局特征和局部特征映射到同一个特征空间,表现在上面的图里就是绿色球体;具体使用多层MLP实现
表示: 局部特征: ϕ \phi ϕ; 全局特征: