论文标题：Self-Supervised Pretraining of 3D Features on any Point-Cloud 论文链接：https://arxiv.org/abs/2101.02691 代码链接：https://github.com/facebookresearch/DepthContrast 代码刚刚开源！作者单位：Facebook, UT-Austin 本文提出了一种用于3D数据的自监督预训练方法，其可以处理由各种传感器获取的任何3D数据-室内或室外的单视图或多视图，而无需3D配准！可极大提高3D目标检测、语义分割等任务性能。

在大型标签数据集进行预训练是在许多计算机视觉任务（如2D目标识别，视频分类等）中取得良好性能的前提。但是，对于最先进的方法从头开始训练模型的3D识别任务，预训练并未广泛使用。主要原因是缺少大型带注释的数据集，因为3D数据既难于采集又费时费力。我们提出了一种简单的自监督相关方法，该方法可以处理由各种传感器获取的任何3D数据-室内或室外的单视图或多视图，而无需3D配准。我们预训练了基于标准点云和体素的模型架构，并表明联合预训练进一步提高了性能。我们在9个基准上评估我们的模型，以进行目标检测，语义分割和对象分类，这些模型可以达到最新的结果，并且可以胜过有监督的预训练。我们为ScanNet（69.0％mAP）和SUNRGBD（63.5％mAP）上的目标检测设置了最新的技术。我们的训练有素的模型可以有效地提高标签效率，并通过少量示例提高课程的表现。

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