SPOT:通过占用预测进行可扩展的3D预培训,用于学习可转移的3D表示

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 机器人技术 机器人技术 机器人技术

背景情况:

• 为感知提供3D LiDAR点云的注释至关重要,但劳动密集型.
• 预训练微调方法可以减少下游任务的标签工作.

研究的目的:

• 介绍SPOT (通过占用预测进行可扩展的预培训),用于学习可转移的3D表示.
• 在一个标签效率高的微调范式中展示SPOT的有效性.

主要方法:

• 开发了SPOT,一种使用占用预测进行可转移3D表示的预训策略.
• 实施了用于点云增强的光束重新采样以及解决领域差距的类平衡策略.
• 研究了可扩展的预训练,并增加了大量的预训练数据.

主要成果:

• 在各种公共数据集和下游任务中,SPOT显示了有效性.
• 证明了一般的表示能力,跨领域的稳定性和数据可扩展性.
• 证实了更多的预培训数据会导致更好的下游性能.
• 展示了与未标记数据的兼容性.

结论:

• 占用预测是3D点云中的一般表示学习的可行任务.
• SPOT促进了对LiDAR数据的理解,并促进了LiDAR预训练.
• 提出的方法解决了领域的差距,并提高了预培训策略的可扩展性.