Aprendizaje y análisis de características locales 3D en partes de nubes de puntos mediante contraste de momento

Área de la Ciencia:

• Visión por Computadora; Aprendizaje Automático; Análisis de Datos 3D

Sus antecedentes:

• El aprendizaje contrastivo autocontrolado sobresale en el aprendizaje de representaciones visuales sin datos etiquetados.; Los métodos actuales de aprendizaje de características locales 3D a menudo pasan por alto los desafíos del reconocimiento de objetos parciales en escenarios del mundo real.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje contrastivo de momento para el aprendizaje de características locales 3D discriminatorias a partir de regiones de nubes de puntos.; Abordar la aplicación poco explorada del aprendizaje contrastivo en la extracción de características locales 3D, particularmente para observaciones parciales.

Principales métodos:

• Se adaptó la arquitectura MoCo (Momentum Contrastive Learning) con PointNet++ como la columna vertebral de características.; Se trataron las partes locales de la nube de puntos como unidades fundamentales para el aprendizaje contrastivo.; Se emplearon estrategias de aumento como la eliminación aleatoria y la traslación para un aprendizaje de características robusto.

Principales resultados:

• El método propuesto aprende eficazmente características locales transferibles de regiones de nubes de puntos.; Se demostró que aproximadamente el 30% de la parte local de un objeto es un umbral práctico para un aprendizaje eficaz en condiciones de oclusión simulada.; Se logró una precisión de clasificación downstream comparable con una reducción del 16% en el tiempo de entrenamiento.

Conclusiones:

• El marco de aprendizaje contrastivo de momento es eficaz para el aprendizaje de características locales 3D a partir de nubes de puntos, especialmente para objetos parciales.; Los hallazgos proporcionan información sobre los umbrales prácticos para el aprendizaje a partir de datos 3D ocluidos.; El método ofrece un enfoque eficiente para aprender características locales robustas para tareas de percepción 3D.