PointContrast: Unsupervised Pre-training for 3D Point Cloud Understanding 论文链接：https://arxiv.org/abs/2007.10985 代码链接：https://github.com/facebookresearch/PointContrast

通过无监督的预训练框架PointContrast，在6个不同的基准测试中均获得了最新的结果，并证明了所学的表示形式可以跨领域进行泛化。代码于4个小时前刚刚开源！作者单位：FAIR, 斯坦福大学

可以说，深度学习最成功的范式之一就是迁移学习。一旦在通常较小的目标集上进行微调，就可以在丰富的源集（例如ImageNet）上对网络进行预训练可以帮助提高性能，这一发现对于语言和视觉的许多应用都是有帮助的。然而，对其在3D点云理解中的实用性知之甚少。考虑到3D数据注释所需的工作，我们认为这是一个机会。在这项工作中，我们旨在促进3D表示学习的研究。与以前的作品不同，我们专注于高级场景理解任务。为此，我们选择了一套多样化的数据集和任务来衡量无监督预训练对大型3D场景源的影响。我们的发现非常令人鼓舞：使用统一的三元组架构，源数据集和对比损失进行预训练，我们在针对室内和室外，真实和合成数据集的6个不同基准进行细分和检测的最新最佳结果方面取得了进步-证明学习的表示形式可以跨领域进行泛化。此外，这种改进类似于有监督的预训练，这表明未来的工作应该更倾向于扩展数据收集而不是更详细的注释。我们希望这些发现将鼓励对3D深度学习的无监督pretext任务设计进行更多研究。

内容中包含的图片若涉及版权问题，请及时与我们联系删除