CVPR2023 | 最新 3D 表征自监督学习+对比学习：FAC

最新推荐文章于 2024-08-17 22:22:43 发布
最新推荐文章于 2024-08-17 22:22:43 发布
阅读量792 收藏 22
点赞数 9
分类专栏： 3D视觉从入门到精通 文章标签： 3d 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46788581/article/details/137475269
版权
研究提出了一种名为FAC的前景感知特征对比框架，用于3D表征的无监督预训练。FAC通过前景分组和前景-背景对比度学习，提升3D特征表示的有效性和辨别力。实验证明，FAC在3D语义分割和对象检测任务中表现出色，尤其是在数据效率和知识转移方面。
摘要由CSDN通过智能技术生成

图片

图0

  • 论文题目：《FAC: 3D Representation Learning via Foreground Aware Feature Contrast》

  • 作者机构：Nanyang Technological University（南洋理工大学）

  • 项目主页：https://github.com/KangchengLiu/FAC_Foreground_Aware_Contrast （基于 PyTorch ）

在公众号「3D视觉工坊」后台回复「原论文」，可获取对应论文pdf文件。

对比学习，最近在 3D 场景理解任务中展示了无监督预训练的巨大潜力。该作者提出了一个通用的前景感知特征对比 (FAC) 框架， 一种用于大规模 3D 预训练的前景感知特征对比框架。FAC 由两个新颖的对比设计组成，以构建更有效和信息丰富的对比对。构建区域级对比，以增强学习表征中的局部连贯性和更好的前景意识。设计了一个孪生对应框架，可以定位匹配良好的键，以自适应增强视图内和视图间特征相关性，并增强前景-背景区分。

对多个公共基准的广泛实验表明&#

了解本专栏 订阅专栏 解锁全文 超级会员免费看
计算机视觉工坊
关注
  • 9
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
KP3D:用于“自我监控的自我监督3D关键点学习”的代码
05-03
自我监督的3D关键点学习以进行自我运动估计 在2020年CoRL会议上被接受为全体会议演讲。 概述 稀疏mono-SfM：一种新的框架，可通过结合可区分的姿势估计模块来同时学习关键点检测，匹配和3D提升。 多视图自适应：一种新颖的自适应技术，可以利用视频中的时间上下文来进一步提高关键点网络的可重复性和匹配性能。 一流的性能：我们将网络集成到视觉里程表框架中，从而实现了稳健而准确的自我运动估计结果 设置环境 您需要一台装有最新Nvidia驱动程序和GPU的机器。 我们建议使用 （请参阅说明）具有可重现的环境。 要设置环境，请输入终端（仅在Ubuntu 18.04中经过测试）： git clone https://github.com/TRI-ML/KP3D.git cd KP3D # if you want to use docker (recommended) make doc
点云深度学习系列五： RSNet：Recurrent Slice Networks for 3D Segmentati
07-04
RSNet是在CVPR 2018上发表的一种网络架构，专为3D点云分割任务设计。它结合了递归神经网络（RNN）和切片池化操作，实现了快速且内存效率高的3D点云处理。RSNet的核心是其创新的“Recurrent Slice”机制，能够在点云...
无需任何标记数据，几张照片就能还原出3D物体结构，自监督学习还能这样用...
量子位
12-05 626
萧箫 发自 凹非寺量子位 报道 | 公众号 QbitAI只给你几张物体的照片，你能准确还原出它在各种刁钻视角下的模样吗？现在，AI可能比你还原得还要准确。只给几个3D球的正脸照片：AI立...
3D信息的分子图自监督表示学习 PRE-TRAINING MOLECULAR GRAPH REPRESENTATION WITH 3D GEOMETRY
tagagi的博客
10-20 1531
原文地址：https://wyliu.com/papers/GraphMVP.pdf 摘要 分子图表示学习是现代药物和材料发现中的一个基本问题。 分子图通常由其二维拓扑结构来建模，但最近发现三维几何信息在预测分子功能方面起着更为重要的作用。 然而，现实场景中3D信息的缺乏严重阻碍了几何图形表示的学习。 为了应对这一挑战，我们提出了GraphMVP(Graph Multi-View Pre-Training)框架，该框架利用2D拓扑结构和3D几何视图之间的对应和一致性来执行自监督学习(SS...
3D图像自监督一些关键知识
qq_37003230的博客
10-22 1333
三维图像分类、语义分割和重建_邢源的博客-CSDN博客_三维图像分类三维图像分类、语义分割和重建引言1 三维数据的深度学习原理1.1 三维数据表示方法1.2 神经网络的优势1.2.1 三维图的构成1.2.2 多视觉图像1.2.3 点云1.2.4 图模型1.3 图像分类和语义分割1.4 三维重建1.4.1 问题陈述和分类2 案例分析2.1 案例对比2.1.1 pointNet 分类和语义分割+功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表
自监督学习之对比学习：MoCo模型超级详解解读+总结
CV在读
09-19 4732
动量对比学习方法做无监督表征学习。使用动量的方式更新编码器，使用队列的方法存储memory bank这个字典，从而获得一个又大又一致的字典。
CVPR2023 | 最新 3D 表征自监督学习+对比学习：FAC
3D视觉工坊
05-17 359
图0论文题目：《FAC: 3D Representation Learning via Foreground Aware Feature Contrast》作者机构：Nanyang Technological University（南洋理工大学）项目主页：https://github.com/KangchengLiu/FAC_Foreground_Aware_Contrast （基于 PyTorc...
《因果学习周刊》第2期：因果表征学习
AI_Conf的博客
10-20 1090
关于周刊 因果学习作为人工智能领域研究热点之一，其研究进展与成果也引发了众多关注。为帮助研究与工程人员了解该领域的相关进展和资讯，智源社区结合领域内容，撰写了第2期《因果学习周刊》。 本期周刊将主要讨论因果表征学习的相关研究。传统的因果发现通常是直接从结构化变量数据出发，研究变量之间的因果关系，但在实际应用中，大量的数据都是非结构化的，例如图片、文本等等；并且，传统的因果发现方法在可扩展性上有较大的局限性，无法处理变量维数较高的情况。因此，传统的因果发现方法在许多场景下无法直接应用。而近年来，随着深度学习的
论文阅读 [TPAMI-2022] Learning Representations for Facial Actions From Unlabeled Videos
weixin_42155685的博客
04-06 245
论文阅读 [TPAMI-2022] Learning Representations for Facial Actions From Unlabeled Videos 论文搜索(studyai.com) 搜索论文: Learning Representations for Facial Actions From Unlabeled Videos 搜索论文: http://www.studyai.com/search/whole-site/?q=Learning+Representations+for+Fac
【一千个论文合集】计算机科学的26个细分领域近年必读论文集合
热门推荐
AI_Conf的博客
05-11 1万+
AMiner必读论文是一个可以帮您了解某个领域、机构、期刊、会议的学术专辑，包括必读论文和代表学者，由AI初筛+学者复核后提供给您，您可以收藏为自己的论文清单
第1138期AI100_机器学习日报(2017-10-30)
ai100_ml的博客
10-31 1311
AI100_机器学习日报 2017-10-30 论文推荐：NVIDIA Research 发布可生长GANs模型，效果令人赞叹 @新智元ICLR 2018 匿名提交论文列表 @wx:专知内容组keras中最常用深度学习的API @ChatbotsChina音乐分类/回归任务迁移学习 @爱可可-爱生活Subgraphs：Web界面可视化深度网络(计算图)开发平台 @爱可可-爱生活
CVPR机器学习论文阅读报告基于3D的大姿态人脸对齐方法
06-26
3D大姿态人脸对齐是解决传统2D方法不足的有效途径，3DDFA算法利用3D模型和级联CNN，结合精心设计的损失函数，实现了对极端姿态和表情变化下人脸的高效对齐，为实际应用提供了强大支持。然而，这一领域仍有改进空间，...
Python_CVPR 2023学习本地可编辑虚拟人.zip
05-24
综合来看，"Python_CVPR 2023学习本地可编辑虚拟人"是一个利用Python和计算机视觉技术探索虚拟人物创建与编辑的项目，涵盖了3D建模、动画、机器学习等多个方面，具有很高的研究价值和实际应用潜力。通过深入学习和...
CVPR2020：长尾分布下的特征学习方法介绍
01-18
在深度学习领域，特征学习是模型获取有效表示的关键步骤，特别是在大规模数据集上。然而，实际数据往往呈现出长尾分布，即一部分类别的样本数量远远超过其他类别，这种现象在CVPR2020年的一篇论文《Deep ...
深度学习三维重建 R-MVSNet-CVPR-2019（源码、原文+译文）
08-21
深度学习三维重建 R-MVSNet——CVPR-2019（源码、原文+译文） 深度学习三维重建 R-MVSNet——CVPR-2019（源码、原文+译文） 深度学习三维重建 R-MVSNet——CVPR-2019（源码、原文+译文） 深度学习三维重建 R-MVSNet...
Unity动画模块 之 3D模型导入基础设置Model页签
最新发布
2301_77947509的博客
08-17 279
水
免费简单的制作3D卡通建模——Fuse软件和Readyplayer的使用介绍
向宇
08-13 430
今天我给大家带来的是另一款免费的角色建模软件fuse,这款软件自从被adobe收购以来，似乎已经处于停止更新状态了，不过这并不影响我们使用它，毕竟白嫖的东西你不能要求太多，不过在Adobe官网里貌似已经找不到fuse了，不过好在现在我们可以通过steam直接下载使用我们可以在旁边的customize这里对各种参数和细节做修改。
VTK-vtkStructuredGrid学习
weixin_69505365的博客
08-14 384
可以理解为单元格顺序沿着坐标轴排列，但是每个单元格可以不一样。维度理解为X/Y/Z方向的点数，如草图所示分别是4，3，1。此时只提供了12个点，只能构造一层，5.点图、线图、面图如下，对应行的代码改一下出现不同效果图。7.增加Z方向维度，点也要增加，点序保持一致。6.点可以不在同一个平面，随机改变点Z数值。2.获取这些点信息，点顺序要严格按照图示。直接赋值第一层的12个点，改一下Z值。所以Z方向维度是1，不能是其他数据。1.使用CAD随意绘制个网格草图。4.将上面的网格显示出来。
fme处理空间数据入门v0
weixin_43229258的博客
08-13 757
本教程是最最最基本的fme处理空间数据内容，给新同事介绍我以前是怎么干活用的，基本啥有用的东西。本教程主要说如何在 FME Workbench中创建模板文件（一般我们把fme写的工作空间就叫模板），教程里面主要是利用GIS数据。按照分步说明操作，1.了解如何从读取数据；2.添加转换器以在空间上过滤数据；3.将过滤后的数据写入 Esri Shapefile;4.如何运行模板文件。
CVPR 2022：对比边界学习提升3D点云分割性能
《[论文阅读笔记]对比边界学习对于点云分割》(Contrastive Boundary Learning for Point Cloud Segmentation)是一篇在CVPR 2022会议上发表的重要研究论文，由Liyao Tang、Yibing Zhan等人合作完成，来自澳大利亚悉尼...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值