論文題目：《FAC: 3D Representation Learning via Foreground Aware Feature Contrast》

作者機構(gòu)：Nanyang Technological University（南洋理工大學）

項目主頁：https://github.com/KangchengLiu/FAC_Foreground_Aware_Contrast （基于 PyTorch ）

對比學習，最近在 3D 場景理解任務(wù)中展示了無監(jiān)督預訓練的巨大潛力。該作者提出了一個通用的前景感知特征對比 (FAC) 框架， 一種用于大規(guī)模 3D 預訓練的前景感知特征對比框架。FAC 由兩個新穎的對比設(shè)計組成，以構(gòu)建更有效和信息豐富的對比對。構(gòu)建區(qū)域級對比，以增強學習表征中的局部連貫性和更好的前景意識。設(shè)計了一個孿生對應(yīng)框架，可以定位匹配良好的鍵，以自適應(yīng)增強視圖內(nèi)和視圖間特征相關(guān)性，并增強前景-背景區(qū)分。

對多個公共基準的廣泛實驗表明，F(xiàn)AC 在各種下游3D 語義分割和對象檢測任務(wù)中實現(xiàn)了卓越的知識轉(zhuǎn)移和數(shù)據(jù)效率。

摘要

對比學習最近在 3D 場景理解任務(wù)中展示了無監(jiān)督預訓練的巨大潛力。然而，大多數(shù)現(xiàn)有工作在建立對比度時隨機選擇點特征作為錨點，導致明顯偏向通常在 3D 場景中占主導地位的背景點。此外，對象意識和前景到背景的辨別被忽略，使對比學習效果不佳。

為了解決這些問題，我們提出了一個通用的前景感知特征對比 (FAC) 框架，以在預訓練中學習更有效的點云表示。FAC 由兩個新穎的對比設(shè)計組成，以構(gòu)建更有效和信息豐富的對比對。

第一個是在相同的前景段內(nèi)構(gòu)建正對，其中點往往具有相同的語義。

第二個是我們防止 3D 片段/對象之間的過度判別，并通過 Siamese 對應(yīng)網(wǎng)絡(luò)中的自適應(yīng)特征學習鼓勵片段級別的前景到背景的區(qū)別，該網(wǎng)絡(luò)有效地自適應(yīng)地學習點云視圖內(nèi)和點云視圖之間的特征相關(guān)性。

使用點激活圖進行可視化表明，我們的對比對在預訓練期間捕獲了前景區(qū)域之間的清晰對應(yīng)關(guān)系。定量實驗還表明，F(xiàn)AC 在各種下游 3D 語義分割和對象檢測任務(wù)中實現(xiàn)了卓越的知識轉(zhuǎn)移和數(shù)據(jù)效率。

圖1

圖 1構(gòu)建信息對比對在對比學習中很重要：傳統(tǒng)對比需要嚴格的點級對應(yīng)。

所提出的 FAC 方法同時考慮了前景分組 fore-ground 和前景-背景 foreground-background 區(qū)分線索，從而形成更好的對比對以學習更多信息和辨別力的 3D 特征表示。

一、前言

3D 場景理解對于許多任務(wù)至關(guān)重要，例如機器人抓取和自主導航。

然而，大多數(shù)現(xiàn)有工作都是全監(jiān)督的，這在很大程度上依賴于通常很難收集的大規(guī)模帶注釋的 3D 數(shù)據(jù)。自監(jiān)督學習 (SSL)允許從大規(guī)模未注釋的數(shù)據(jù)中學習豐富且有意義的表示，最近顯示出減輕標注約束的巨大潛力。它通過來自未標注數(shù)據(jù)的輔助監(jiān)督信號進行學習，這些數(shù)據(jù)通常更容易收集。特別是，對比學習作為一種流行的 SSL 方法在各種視覺 2D 識別任務(wù)中取得了巨大成功。

在語義分割、實例分割和對象檢測等各種下游任務(wù)中，還探索了用于點云表示學習的對比學習。然而，許多成功的 2D 對比學習方法對 3D 點云效果不佳，這主要是因為點云通常捕獲由許多不規(guī)則分布的前景對象的復雜點以及大的背景點的數(shù)量。一些研究試圖設(shè)計特定的對比度來迎合點云的幾何形狀和分布。

例如，[14, 55] 使用兩個增強場景的最大池化特征來形成對比，但它們往往過分強調(diào)整體信息而忽略了前景對象的信息特征。

[12,19,51] 直接使用配準的點/體素特征作為正對，并對待所有未配準為否定對，導致語義上有許多錯誤的對比對。

我們建議利用場景前景 foreground 證據(jù)和前景-背景 foreground-background 區(qū)別來構(gòu)建更多的前景分組意識和前景-背景區(qū)別意識對比，以學習有區(qū)別的 3D 表示。

對于前景分組感知對比，我們首先獲得與過度分割的區(qū)域?qū)?yīng)關(guān)系，然后在視圖中與同一區(qū)域的點建立正對，從而產(chǎn)生語義連貫的表示。此外，我們設(shè)計了一種采樣策略，在建立對比的同時采樣更多的前景點特征，因為背景點特征通常信息量較少，并且具有重復或同質(zhì)的模式。

對于前景-背景對比，我們首先增強前景-背景點特征區(qū)分，然后設(shè)計一個 Siamese 對應(yīng)網(wǎng)絡(luò)，通過自適應(yīng)學習前景和背景視圖內(nèi)，及跨視圖的特征對之間的親和力來選擇相關(guān)特征，以避免部分/對象之間的過度判別。

可視化顯示，前景增強對比度引導學習朝向前景區(qū)域，而前景-背景對比度以互補的方式有效地增強了前景和背景特征之間的區(qū)別，兩者合作學習更多的信息和判別表示，如圖 1 所示。

這項工作的貢獻可以概括為三個方面。

第一，我們提出了 FAC，一種用于大規(guī)模 3D 預訓練的前景感知特征對比框架。

第二，我們構(gòu)建區(qū)域級對比，以增強學習表征中的局部連貫性和更好的前景意識。

第三，最重要的是，我們設(shè)計了一個孿生對應(yīng)框架，可以定位匹配良好的鍵，以自適應(yīng)增強視圖內(nèi)和視圖間特征相關(guān)性，并增強前景-背景區(qū)分。

最后，對多個公共基準的廣泛實驗表明，與最先進的技術(shù)相比，F(xiàn)AC 實現(xiàn)了卓越的自監(jiān)督學習。

FAC 兼容流行的 3D 分割主干網(wǎng)絡(luò) SparseConv 和 3D 檢測主干網(wǎng)絡(luò)，包括 PV-RCNN、PointPillars 和 PointRCNN。

它也適用于室內(nèi)密集 RGB-D 和室外稀疏 LiDAR 點云。

二、相關(guān)工作

2.1 3D 場景理解

3D 場景理解旨在理解 3D 深度或點云數(shù)據(jù)，它涉及多個下游任務(wù)，例如 3D 語義分割 ，3D 對象檢測等。在 3D 深度學習策略的進步和不斷增加的大規(guī)模 3D 數(shù)據(jù)集的推動下，它最近取得了令人矚目的進展。已經(jīng)提出了不同的方法來解決 3D 場景理解中的各種挑戰(zhàn)。

例如，基于點的方法可以很好地學習點云，但在面對大規(guī)模點云數(shù)據(jù)集時往往會受到高計算成本的困擾。

基于體素的方法具有計算和內(nèi)存效率，但通常會因體素量化而丟失信息。

此外，基于體素的 SparseConv 網(wǎng)絡(luò)在室內(nèi)場景分割中表現(xiàn)出非常有前途的性能，而結(jié)合點和體素通常在基于 LiDAR 的室外檢測中具有明顯的優(yōu)勢。我們提出的 SSL 框架在室內(nèi)/室外 3D 感知任務(wù)中顯示出一致的優(yōu)勢，并且它也是 backbone 不可知論的。

2.2 點云的自監(jiān)督預訓練。

對比預訓練

近年來，在學習無監(jiān)督表示的對比學習方面取得了顯著的成功。

例如，對比場景上下文 (CSC)使用場景上下文描述符探索對比預訓練。然而，它過于關(guān)注優(yōu)化低級配準點特征，而忽視了區(qū)域同質(zhì)語義模式和高級特征相關(guān)性。

一些工作使用最大池化場景級信息進行對比，但它往往會犧牲局部幾何細節(jié)和對象級語義相關(guān)性，從而導致語義分割等密集預測任務(wù)的次優(yōu)表示。

不同的是，我們明確考慮區(qū)域前景意識以及前景和背景區(qū)域之間的特征相關(guān)性和區(qū)別，這會導致 3D 下游任務(wù)中提供更多信息和判別性表示。

此外，許多方法結(jié)合了輔助時間或空間 3D 信息，用于與增強的未標記數(shù)據(jù)集和合成 CAD 模型進行自監(jiān)督對比：

例如通過將 3D 場景視為 RGB-D 視頻序列，從動態(tài) 3D 場景中引入學習合成 3D。

Randomrooms 通過將合成 CAD 模型隨機放入常規(guī)合成 3D 場景中，來合成人造 3D 場景。

一些作品利用合成 3D 形狀的時空運動先驗，來學習更好的 3D 表示。

然而，大多數(shù)這些先前的研究都依賴于輔助時空信息的額外監(jiān)督。不同的是，我們在沒有額外合成 3D 模型的情況下對原始 3D 掃描進行自監(jiān)督學習。

基于 mask 生成的預訓練

隨著視覺轉(zhuǎn)換器的成功，mask 圖像建模已證明其在各種圖像理解任務(wù)中的有效性 。最近，基于掩碼的預訓練也被探索用于理解小型 3D 形狀。

然而，基于掩碼的設(shè)計通常涉及一個 transformer 主干，它在處理大型 3D 場景時對計算和內(nèi)存都有很高的要求。

我們專注于對比學習的預訓練，它與基于點和基于體素的 backbone 網(wǎng)絡(luò)兼容。

圖 2. 我們提議的 FAC 的框架。

FAC 將兩個增強的 3D 點云視圖作為輸入，首先提取主干特征 和 以與 進行前景感知對比。

然后將主干特征重塑為正則化表示 和 ，以找到兩個視圖之間的對應(yīng)關(guān)系以進行特征匹配。具體來說，我們采用投影頭將 和 傳輸?shù)教卣鲌D 和 ，以自適應(yīng)地學習它們的相關(guān)性并產(chǎn)生增強的表示 和 。

最后， 和 被重塑回 和 ，其中匹配的特征對通過特征對比度損失 得到增強。

因此，F(xiàn)AC 在視圖內(nèi)和視圖之間利用互補的前景意識，以及前景-背景區(qū)別來進行更多信息表示學習。

三、方法

如圖 2 所示，我們提出的 FAC 框架由四個部分組成：數(shù)據(jù)增強、骨干網(wǎng)絡(luò)特征提取、特征匹配和具有匹配對比對的前景-背景感知特征對比優(yōu)化。

在下文中，我們首先重新審視 3D 點云的典型對比學習方法，并討論它們可能導致信息較少的表示的局限性。

然后，我們從三個主要方面闡述了我們提出的 FAC：

區(qū)域分組對比，利用過度分割的局部幾何同質(zhì)性，來鼓勵局部區(qū)域的語義連貫性；

一個由連體網(wǎng)絡(luò)和特征對比損失組成的對應(yīng)框架，用于捕獲所學特征表示之間的相關(guān)性；

利用更好的對比對，進行更具辨別力的自監(jiān)督學習的優(yōu)化損失。

3.1 重新思考點級和場景級對比

基于對比學習的 3D SSL 的關(guān)鍵是在兩個增強視圖之間構(gòu)建有意義的對比對。正對已在 PointContrast (PCon) 中的點級別或 DepthContrast (DCon) 中的場景級別中構(gòu)建。

具體來說，給定 3D 局部點/深度掃描的增強視圖，應(yīng)用對比損失來最大化正對的相似性和負對之間的區(qū)別。在大多數(shù)情況下，可以應(yīng)用 InfoNCE loss來進行對比：

這里：

和 是兩個增強視圖的特征向量，用于對比。

是匹配正對的索引集。 是正對，其特征嵌入被強制相似；

而 是負對，其特征嵌入被鼓勵相似與眾不同。

PCon 直接采用配準點級特征對，而 DCon 使用最大池化場景級特征對進行對比。盡管它們在 3D 下游任務(wù)中表現(xiàn)不錯，但先前研究中構(gòu)建的對比對往往是次優(yōu)的。如圖 1 所示：

點級對比度往往過分強調(diào)細粒度的低級細節(jié)，而忽略了通常提供對象級信息的區(qū)域級幾何連貫性。

場景級對比聚合了整個場景的特征以進行對比，這可能會丟失對象級空間上下文和獨特的特征，從而導致下游任務(wù)的信息表示較少。

因此，我們推測區(qū)域級對應(yīng)更適合形成對比度，并且如圖 1 所示，這已經(jīng)通過實驗驗證，更多細節(jié)將在隨后的小節(jié)中詳細說明。

3.2 前景感知對比度

Region-wise 特征表示已被證明在考慮下游任務(wù)（如語義分割和檢測）的上下文時非常有用。在我們提出的幾何區(qū)域級前景感知對比中，我們通過利用現(xiàn)成的點云過分割技術(shù)來獲得區(qū)域。采用過度分割（over-segmentation）的動機是其在三個主要方面的優(yōu)點。

首先，它可以以完全無監(jiān)督的方式工作，不需要任何帶標注的數(shù)據(jù)。

其次，我們提出的區(qū)域采樣（稍后描述）允許我們以無監(jiān)督的方式過濾掉天花板、墻壁和地面等背景區(qū)域，其中背景區(qū)域通常由具有大量點的幾何均勻圖案表示。也可以過濾掉點數(shù)非常有限的區(qū)域，這些區(qū)域在幾何和語義上都是嘈雜的。

第三，過分割提供了具有高語義相似性的幾何連貫區(qū)域，而不同的遠距離區(qū)域在采樣后往往在語義上是不同的，這有效地促進了判別特征學習。

具體來說，過分割將原始點云場景劃分為 類不可知區(qū)域 ， 對于任何 來說：。

我們的實證實驗表明，我們的框架 FAC 在沒有微調(diào)的情況下，可以有效地與主流的過分割方法一起工作。

平衡學習的區(qū)域抽樣

我們設(shè)計了一種簡單但有效的區(qū)域采樣技術(shù)，以從通過過度分割導出的幾何均勻區(qū)域獲得有意義的前景。具體來說：

我們首先統(tǒng)計每個區(qū)域的點數(shù)，并根據(jù)區(qū)域包含的點數(shù)對區(qū)域進行排序。

然后我們將具有中位數(shù)點數(shù)的區(qū)域識別為 。

接下來，我們選擇點數(shù)與 最接近的 個區(qū)域來形成對比對。

本地區(qū)域一致性的對比

與上述 PCon 和 DCon 不同，我們直接利用區(qū)域同質(zhì)性來獲得對比度對。

具體來說，以區(qū)域內(nèi)的平均點特征為錨點，我們將同一區(qū)域內(nèi)的選定特征視為正鍵，將不同區(qū)域內(nèi)的選定特征視為負鍵。

受益于區(qū)域采樣策略，我們可以專注于前景以更好地表示學習。將區(qū)域內(nèi)的點數(shù)表示為 ，將主干特征表示為 ，我們將它們的點特征聚合以產(chǎn)生區(qū)域內(nèi)的平均區(qū)域特征作為錨點，以增強魯棒性：

將 作為錨點，我們提出了一種前景感知幾何對比度損失，將點特征拉到局部幾何區(qū)域中對應(yīng)的正特征，并將其與不同分離區(qū)域的負點特征推開：

這里， 和 分別表示具有 的正樣本和負樣本。

我們將每個區(qū)域錨點的正負點特征對的數(shù)量均等地設(shè)置為 。請注意，我們提出的前景對比度是 PCon 的通用版本，前景增強，如果所有區(qū)域都縮小到一個點，它會返回到 PCon。受益于區(qū)域幾何一致性和平衡的前景采樣，僅前景感知對比度就在經(jīng)驗實驗結(jié)果的數(shù)據(jù)效率方面優(yōu)于最先進的 CSC 。

3.3 前景-背景（foreground-background）感知對比度

如圖 2 所示，我們提出了一個連體對應(yīng)網(wǎng)絡(luò) (SCN) ，來明確識別視圖內(nèi)和視圖之間的特征對應(yīng)關(guān)系，并引入特征對比度損失以自適應(yīng)地增強它們的相關(guān)性。 SCN 僅在預訓練階段用于提高表示質(zhì)量。預訓練后，只有骨干網(wǎng)絡(luò)針對下游任務(wù)進行微調(diào)。

用于自適應(yīng)相關(guān)挖掘的孿生通信網(wǎng)絡(luò)。給定具有 個點的輸入3D場景

FAC首先將其轉(zhuǎn)換為兩個增強視圖和

并通過將兩個視圖輸入骨干網(wǎng)絡(luò) 及其動量來獲得骨干特征和 分別更新（通過指數(shù)移動平均）（ 是特征通道數(shù)）。

為了公平比較，我們采用與現(xiàn)有工作相同的增強方案。

此外，我們將主干點級特征重塑為特征圖 和 ，以獲得正則化點云表示并降低計算成本。

然后，我們將投影儀分別應(yīng)用于 和 ，以獲得與 和 相同維度的特征圖 和 。我們采用兩個簡單的點 MLP，中間有一個 ReLU 層來形成投影儀 。特征圖 和 作為可學習的分數(shù)，自適應(yīng)地增強兩個視圖內(nèi)和跨兩個視圖的重要和相關(guān)特征。

最后，我們在 and 之間進行逐元素乘積，以獲得增強的特征 和 進一步轉(zhuǎn)化回逐點特征 和 進行對應(yīng)挖掘。所提出的 SCN 增強了全局特征級判別表示學習，從而能夠與匹配的特征進行后續(xù)對比。

與 Matched Feature 和 ForegroundBackground Distinction 對比。

將獲得的采樣前景-背景對標記為負，我們進行特征匹配以選擇最相關(guān)的正對比對。如圖 2 所示，我們評估 和 之間的相似性并選擇最相關(guān)的對進行對比。區(qū)域錨點的選擇方式與 3.2 小節(jié)相同。

具體地，我們首先引入一個區(qū)域內(nèi)點特征的平均特征作為形成對比時的錨點，給出，基于點的觀察在同一局部區(qū)域中往往具有相同的語義。

對于 中的第 個點級特征 ，我們計算其與區(qū)域特征 的相似度：

這里 表示向量 和 之間的余弦相似度。我們從 中采樣前 個元素作為正鍵，同時從前景和背景點特征中提取區(qū)域特征 。通過將 操作重新表述為最優(yōu)傳輸問題，很容易使其變得可微分。

此外，我們同樣選擇其他 個前景-背景對作為負對：

這里， 表示在另一個視圖中從 中識別出的與 最相似的 個元素的正鍵。 分別表示一批中采樣的其他 個負點特征。因此，通過學習 3D 場景的點級特征圖 和 ，可以自適應(yīng)地增強相關(guān)的交叉視點特征。

我們的特征對比通過明確地找到前景錨點的區(qū)域到點最相關(guān)的鍵作為查詢來增強視圖內(nèi)和視圖之間特征級別的相關(guān)性。通過學習特征圖，自適應(yīng)地強調(diào)相關(guān)前景/背景點的特征，同時抑制前景-背景特征。FAC 在點激活圖中定性有效，在下游遷移學習和數(shù)據(jù)效率方面定性有效。

3.4 FAC聯(lián)合優(yōu)化

同時考慮局部區(qū)域級前景幾何對應(yīng)和視圖內(nèi)與視圖間的全局前景-背景區(qū)分，F(xiàn)AC框架 的總體目標函數(shù)如下：

這里 是平衡兩個損失項的權(quán)重。我們根據(jù)經(jīng)驗設(shè)置 而不進行調(diào)整。

圖3

圖 3. 室內(nèi) ScanNet（第 1-4 行）和室外 KITTI （第 5-8 行）投影點相關(guān)圖關(guān)于黃色十字突出顯示的查詢點的可視化。

每個示例中的視圖 1 和視圖 2 ，分別顯示視圖內(nèi)和交叉視圖相關(guān)性。

我們將 FAC 與最先進的 CSC 在分割（第 1-4 行）和 ProCo 在檢測（第 5-8 行）方面進行比較。

FAC 清楚地捕獲了視圖內(nèi)和視圖之間更好的特征相關(guān)性（第 3-4 列）。

四、實驗

數(shù)據(jù)高效學習和知識轉(zhuǎn)移能力已被廣泛用于評估自監(jiān)督預訓練和學習的無監(jiān)督表示[12]。在下面的實驗中，我們首先在大規(guī)模未標記數(shù)據(jù)上預訓練模型，然后對其進行微調(diào)使用下游任務(wù)的少量標記數(shù)據(jù)來測試其數(shù)據(jù)效率。

我們還將預訓練模型轉(zhuǎn)移到其他數(shù)據(jù)集，以評估它們的知識轉(zhuǎn)移能力。這兩個方面通過多個下游任務(wù)進行評估，包括3D 語義分割、實例分割和對象檢測。附錄中提供了所涉及數(shù)據(jù)集的詳細信息。

4.1.實驗設(shè)置

3D 對象檢測。

對象檢測實驗涉及兩個主干，包括 VoxelNet 和 PointPillars。按照 ProCo，我們在 Waymo 上預訓練模型并在 KITTI 和 Waymo 上對其進行微調(diào)。繼 ProCo 和 CSC 之后，我們通過隨機旋轉(zhuǎn)、縮放和翻轉(zhuǎn)以及隨機點丟失來增強數(shù)據(jù)以進行公平比較。

我們在 ProCo 之后將 和 中的超參數(shù) 設(shè)置為 ，，并且在所有實驗中正/負對的總數(shù)為 ，包括檢測和分割而不調(diào)整。

在 Waymo 和 KITTI [8] 的室外目標檢測中，我們使用 Adam 優(yōu)化器對網(wǎng)絡(luò)進行預訓練，并遵循 ProCo 的 epoch和批量大小設(shè)置，以便與現(xiàn)有作品進行公平比較。

在 ScanNet 上的室內(nèi)物體檢測中，我們遵循 CSC 采用 SparseConv 作為骨干網(wǎng)絡(luò)和 VoteNet 作為 3D 檢測器，并遵循其訓練設(shè)置，場景重建數(shù)量有限。

3D 語義分割。

對于 3D 分割，我們在有限的重建設(shè)置中嚴格遵循 CSC。具體來說，我們在 ScanNet 上進行預訓練，并對室內(nèi) S3DIS、ScanNet 和室外 SemanticKITTI (SK)上的預訓練模型進行微調(diào)。

我們在預訓練中使用 SGD，學習率為 ，批量大小為 ，步長為 ，以確保與其他 3D 預訓練方法（包括 CSC 和 PCon）進行公平比較。此外，我們在 SK 上測試了 ScanNet 預訓練模型，以評估其對室外稀疏 LiDAR 點云的學習能力。

唯一的區(qū)別是我們對 SK 的模型進行了 次微調(diào)，而對室內(nèi)數(shù)據(jù)集進行了 次微調(diào)。使用 SK 進行更長時間的微調(diào)是因為將在室內(nèi)數(shù)據(jù)上訓練的模型轉(zhuǎn)移到室外數(shù)據(jù)需要更多時間來優(yōu)化和收斂。

表1

表 1. KITTI 上的數(shù)據(jù)高效3D 對象檢測。

我們在 Waymo 上預訓練了 PointRCNN 和 PV-RCNN 的骨干網(wǎng)絡(luò)，并在微調(diào)中以 和 的注釋比例轉(zhuǎn)移到 KITTI。對于兩種設(shè)置，F(xiàn)AC 始終優(yōu)于最先進的 ProCo。“From Scratch”表示從頭開始訓練的模型。所有實驗結(jié)果均取三個運行的平均值。

4.2.數(shù)據(jù)高效的遷移學習

3D 對象檢測。

自監(jiān)督預訓練的一個主要目標是使用更少的標記數(shù)據(jù)進行更高效的數(shù)據(jù)遷移學習以進行微調(diào)。我們評估了從 Waymo 到 KITTI 的數(shù)據(jù)高效傳輸，如表 1 和圖 4 所示。

我們可以看到 FAC 始終優(yōu)于最新技術(shù)。通過使用 的標記數(shù)據(jù)進行微調(diào)，F(xiàn)AC 通過使用 的訓練數(shù)據(jù)實現(xiàn)了與從頭開始訓練相當?shù)男阅埽故玖怂跍p輕 3D 對象檢測中對大量標記工作的依賴方面的潛力。如圖 3 所示，F(xiàn)AC 對車輛和行人等視圖間和視圖內(nèi)對象具有明顯更大的激活，表明其學習到的信息和判別表示。

我們還研究了數(shù)據(jù)高效學習，同時在具有 1% 標簽的標簽極其稀缺的情況下執(zhí)行域內(nèi)傳輸?shù)?Waymo 驗證集。如表 2 所示，F(xiàn)AC 明顯且一致地優(yōu)于 ProCo，證明了其在減少數(shù)據(jù)注釋方面的潛力。此外，我們在 ScanNet 上進行了室內(nèi)檢測實驗。

如表 3 所示，與 From Scratch 相比，F(xiàn)AC 實現(xiàn)了出色的轉(zhuǎn)移，并將 AP 顯著提高了 ，標簽為 10%。此外，當應(yīng)用較少的注釋數(shù)據(jù)時，改進會更大。卓越的對象檢測性能主要歸功于我們利用信息前景區(qū)域形成對比度的前景感知對比度，以及增強整體對象級表示的自適應(yīng)特征對比度。

表2

表 2. Waymo 上具有 1% 和 10% 標記訓練數(shù)據(jù)的數(shù)據(jù)高效3D 對象檢測實驗結(jié)果。與最先進的 ProCo 相比，表 1 中針對 FAC 的 KITTI 獲得了類似的實驗結(jié)果。

表3

表 3. 以 VoteNet 作為主干網(wǎng)絡(luò)的 ScanNet 上，有限數(shù)量的場景重建的數(shù)據(jù)高效3D 對象檢測平均精度 (AP%) 結(jié)果。

3D 語義分割。

我們首先對數(shù)據(jù)集 ScanNet 上的點激活圖進行定性分析。如圖 3 所示，與最先進的 CSC 相比，F(xiàn)AC 可以在 3D 場景內(nèi)和之間找到更多的語義關(guān)系。這表明 FAC 可以學習捕捉相似特征同時抑制不同特征的極好的表征。

我們還進行了如表 4 所示的定量實驗，我們在訓練中采用有限的標簽（例如，{1%、5%、10%、20%}）。我們可以看到，對于不同標記百分比下的兩個語義分割任務(wù)，F(xiàn)AC 的性能始終大大優(yōu)于基線 From Scratch。

此外，當僅使用 1% 的標簽時，F(xiàn)AC 的性能顯著優(yōu)于最先進的 CSC，證明其在使用有限標簽學習信息表示方面的強大能力。注意 FAC 在使用較少標記數(shù)據(jù)的同時實現(xiàn)了更多改進。對于數(shù)據(jù)集 SK 上的語義分割，F(xiàn)AC 在標記數(shù)據(jù)減少的情況下實現(xiàn)了一致的改進和類似的趨勢。

表4

表 4. 具有不同標簽比率的 ScanNet、S3DIS 和 SemanticKITTI (SK) 上有限場景重建 的數(shù)據(jù)高效3D 語義分割(mIoU%) 結(jié)果。

圖 4. 與 CSC 相比，ScanNet 的室內(nèi) 3D 分割可視化與 ProCo 相比，使用 10% 標記訓練數(shù)據(jù)和 KITTI 進行微調(diào)，帶有 20% 標記訓練數(shù)據(jù)。

不同的分割實例和檢測到的對象，用不同的顏色突出顯示。

預測的差異，用黃色橢圓和紅色框突出顯示。

歡迎關(guān)注微信公眾號「3D視覺工坊」，加群/文章投稿/課程主講，請加微信：dddvisiona，添加時請備注：加群/投稿/主講申請

方向主要包括：3D視覺領(lǐng)域各細分方向，比如相機標定|三維點云|三維重建|視覺/激光SLAM|感知|控制規(guī)劃|模型部署|3D目標檢測|TOF|多傳感器融合|AR|VR|編程基礎(chǔ)等。

4.3.消融研究和分析

我們對 FAC 中的關(guān)鍵設(shè)計進行廣泛的消融研究。具體來說，我們檢查了所提出的區(qū)域采樣、特征匹配網(wǎng)絡(luò)和兩個損失的有效性。最后，我們提供t-SNE 可視化以將 FAC 學習的特征空間與最先進的進行比較。

在消融研究中，我們在語義分割實驗中采用 5% 的標簽，在 ScanNet 上的室內(nèi)檢測實驗中采用 10% 的標簽，在 KITTI 上采用 PointRCNN 作為 3D 檢測器的室外物體檢測實驗中采用 20% 的標簽。

區(qū)域抽樣和特征匹配。

區(qū)域采樣將前景區(qū)域中的點采樣為錨點。表 5 顯示了由抽樣表示的相關(guān)消融研究。

我們可以看到，在沒有采樣的情況下，分割和檢測都會惡化，這表明過度分割中的前景區(qū)域在形成對比度的同時可能提供重要的對象信息。它驗證了所提出的區(qū)域采樣不僅可以抑制噪聲，還可以減輕對背景的學習偏差，從而在下游任務(wù)中提供更多信息。

此外，我們用匈牙利二分匹配（即H-FAC）替換建議的 Siamese 對應(yīng)網(wǎng)絡(luò)，如表 5 所示。我們可以觀察到一致的性能下降，表明我們的 Siamese 對應(yīng)框架可以實現(xiàn)更好的特征匹配并提供用于下游任務(wù)的相關(guān)性良好的特征對比對。附錄中報告了更多匹配策略的比較。

FAC 損失。

FAC 采用前景感知幾何損失 和特征損失 ，這對其在各種下游任務(wù)中的學習表示至關(guān)重要。幾何損失指導前景感知對比度以捕獲局部一致性，而特征損失指導前景背景區(qū)分。它們是互補的，并且協(xié)作學習下游任務(wù)的判別表示。

如表 5 中的案例 4 和案例 6 所示，包括損失明顯優(yōu)于基線以及最先進的 CSC 在分割方面和 ProCo 在檢測方面的表現(xiàn)。

例如，僅包括 （案例 6）在 KITTI 和 ScanNet 上的目標檢測平均精度達到 67.22% 和 18.79%，分別優(yōu)于 ProCo（66.20% 和 12.64%）1.02% 和 6.15%，如表 1 和表3。

最后，表 5 中的完整 FAC（包括兩種損失）在各種下游任務(wù)中學習到具有最佳性能的更好表示。

表5

表 5. FAC 不同模塊在 ScanNet (Sc) 和 SemanticKITTI (SK) ， 及 KITTI (K) 下游任務(wù)的消融研究

使用 t-SNE 進行特征可視化。

我們使用 tSNE 來可視化為 SemanticKITTI 語義分割任務(wù)學習的特征表示，如圖 5 所示。

與 PCon 和 CSC 等其他對比學習方法相比，F(xiàn)AC 學習了更緊湊和判別特征空間，可以清楚地區(qū)分不同語義類的特征。

如圖 5 所示，F(xiàn)AC 學習的特征具有最小的類內(nèi)方差和最大的類間方差，表明 FAC 學習的表示有助于在下游任務(wù)中學習更多的判別特征。

圖 5. t-SNE SemanticKITTI 語義分割的特征嵌入可視化，使用 5% 的標簽進行微調(diào)（ScanNet 預訓練）。

顯示了具有最少點數(shù)的十個類，其中 表示類內(nèi)和類間方差。

與最先進的方法 PCon、CSC 相比，F(xiàn)AC 學習了更緊湊的特征空間，具有最小的類內(nèi)方差和最大的類間方差。

五、結(jié)論

我們提出了一種用于 3D 無監(jiān)督預訓練的前景感知對比框架 (FAC)。FAC 構(gòu)建更好的對比對以產(chǎn)生更多幾何信息和語義意義的 3D 表示。

具體來說，我們設(shè)計了一種區(qū)域采樣技術(shù)，來促進過度分割的前景區(qū)域的平衡學習并消除噪聲區(qū)域，這有助于基于區(qū)域?qū)?yīng)構(gòu)建前景感知對比對。

此外，我們增強了前景-背景的區(qū)別，并提出了一個即插即用的 Siamese 對應(yīng)網(wǎng)絡(luò)，以在前景和背景部分的視圖內(nèi)和視圖之間找到相關(guān)性良好的特征對比對。

大量實驗證明了 FAC 在知識轉(zhuǎn)移和數(shù)據(jù)效率方面的優(yōu)越性。

審核編輯 ：李倩