软件学院科研人员在人工智能领域国际顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》(影响因子23.6)发表了研究成果。软件学院硕士研究生王博华(指导教师:田智强)为第一作者撰写的论文“Generative Variational-Contrastive Learning for Self-supervised Point Cloud Representation” 发表。
现有的点云自监督表示学习模型普遍将样本利用编码器投影到高维空间以获得固定的潜在特征,并对潜在特征的相似性施加硬约束。这些模型在类似的合成数据集上表现良好,当转移到更具挑战性的真实场景数据集时,他们的效果表现不佳。因此,如何提高点云编码器的域泛化能力仍然是一个亟待解决的问题。
为了解决这一问题,西安交通大学田智强教授团队提出了一种生成式变分对比学习模型,使用多维离散高斯分布来构建潜在特征的连续平滑表示,其构建的代理任务不再限制潜在空间中每个样本对应的特征值的一致性,而是约束该样本特征所服从的分布的一致性,旨在避免对样本特征值的硬约束,从而提高编码器的泛化能力。研究人员设计了一种对称的分布对比损失来实现对样本特征分布约束,并在引入了生成式模块作为辅助代理任务在特征空间中保留点云的几何特征。实验表明,所提出的方法在真实场景中的点云分类,小样本学习等任务上均表现出了良好的效果。
![](/__local/3/D0/72/A10EA09FFABCEDAD8DDEBD7DFC4_AA8D5607_2BD1B.png)
图1 模型整体框架
该研究成果提出了一种通用的点云自监督表示学习模型,提升了点云编码器的域泛化能力。
编辑:张乐琪
责任编辑:原盛