点云数据的自监督学习：调研

摘要

本文介绍了点云数据的自监督学习：调研。三维点云是激光雷达传感器采集的一种重要数据类型，由于其简洁的描述和精确的定位，被广泛应用于传输应用中。深度神经网络（DNN）已经在处理大量无序和稀疏的三维点云方面取得了显著的成功，尤其是在各种计算机视觉任务中，例如行人检测和车辆识别。在所有的学习范例中，自监督学习（SSL）是一种从数据本身挖掘有效信息的无监督训练范例，其被认为是一种通过智能预训练任务设计来解决耗时耗力的数据标注问题的重要解决方案。本文对点云的SSL的最新进展进行了全面的调研。首先，我们提出了一种创新的分类法，根据pretext的特性将现有的SSL方法分为四大类。接着，在每个类别下，我们进一步将方法分为更精细的组，并且总结具有代表性方法的优势和局限性。我们还对文献中著名的SSL方法在基准数据集中多个下游任务上的性能进行了定量和定性的比较。最后，基于现有SSL对点云研究的局限性，我们提出了一些未来的研究方向。

主要贡献

本文的贡献总结如下：

1）系统和新颖的分类方法：我们提出一种新型且系统的分类方法，对不同类型的点云SSL方法进行分类，以提供对现有技术清晰且全面的看法。考虑到主流pretext任务的特性，分类法将当前方法分为四大类。根据特征使用的方法，将每个大类进一步细分为更精细的子类；

2）全面且详细的总结：我们对现有技术进行了全面的回顾，包括SSL和点云的背景、常用的数据集和模型、pretext任务和具有性能比较的下游任务；

3）详尽的数据集总结和评估比较：我们总结了点云研究中18个最常用数据集的独特特性。更重要的是，我们根据各种下游任务，在这些数据集上比较了不同SSL方法的性能；

4）未来方向：基于我们的调研，本文总结和讨论了当前研究中的主要局限性和挑战，并且提出了潜在的未来方向，有望推动更多理论和实践研究，朝着更智能且更有效的点云数据处理SSL方法发展。

论文图片和表格

总结

点云自监督学习从根本上摆脱了模型对于手动标注的依赖。学习范例着重于预训练pretext任务的设计，以使模型能够提取有效的特征，并且在很多下游任务中实现与监督学习范例相当的性能。本文大量调研了最新的具有代表性的基于深度神经网络的点云数据自监督学习方法。本文提出了一种新型的分类方法，以系统性地对当前研究（尤其是近三年发布的工作）进行分类。除了对具有代表性的方法进行详细地分析，我们还对常用数据集进行总结和性能比较，以使得调研更全面。本文还讨论了未来的研究方向，希望就研究界应当关注的问题提供有见地的观点。我们希望本文工作能为点云SSL研究提供有价值的参考，并且激励研究人员进一步探索这个有前景的课题。

文章转载自公众号：自动驾驶专栏