典型文献
基于全局与局部特征对比的点云自监督学习
文献摘要：
传统的有监督学习依赖大量的标签数据,而收集标签数据通常是昂贵的.因此,提出一种通过对比点云的全局和局部特征的自监督学习算法,包括数据构造和对比学习2个阶段.在数据构造阶段,通过不同的局部视角和局部子结构生成全局物体的局部区域;在对比学习阶段,将全局物体和局部区域分别依次输入编码器、投影层和预测器得到全局和局部特征,使用基于对比学习的目标函数增强全局和局部特征相似.通过在2个公开数据集ModelNet40和ShapeNet上与Info3D等自监督学习算法对比,实验结果表明,所提算法在无监督点云分类和小样本学习任务上的分类准确率得到显著提升,并且在训练数据匮乏时比现有算法具有更强的鲁棒性.
文献关键词：
点云分析;自监督学习;对比学习;局部区域
中图分类号：
作者姓名：
刘耿欣;胡瑞珍
作者机构：
深圳大学可视计算研究中心 深圳 518061
文献出处：
引用格式：
[1]刘耿欣;胡瑞珍-.基于全局与局部特征对比的点云自监督学习)[J].计算机辅助设计与图形学学报,2022(09):1323-1333
A类：
Info3D
B类：
自监督学习,有监督学习,标签数据,数据通,昂贵,全局和局部特征,对比学习,结构生成,局部区域,入编,编码器,预测器,公开数据集,ModelNet40,ShapeNet,算法对比,无监督,点云分类,小样本学习,学习任务,分类准确率,训练数据,数据匮乏,点云分析
AB值：
0.294226
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
