欧几里得■?CVPR2020|北大&Futurewei提GraphTER:无监督图变换共变表征学习( 三 )
本文插图
图 4：GraphTER 自动编码器网络结构 。 在无监督特征学习阶段 ， 特征编码器和变换解码器将在无标签的样本上进行训练 。 在评估阶段 ， 作者提取编码器的前几个 EdgeConv 模块 ， 冻结其权重作为特征提取器 ， 并使用标记的样本训练线性分类器完成特征的分类 。 三、实验结果 作者以 3D 点云分类任务和分割任务为例来验证提出的 GraphTER 模型 。 1. 3D 点云分类作者在 ModelNet40 数据集上来验证 GraphTER 模型 。 在该数据集中 ， 作者将 3D 点云中的点视为图上的节点 ， 3D 点坐标视为图信号 ， 并通过点坐标间的欧氏距离在点云上建立 k-NN 图（k=20） 。 表 1 展示了 3D 点云的分类结果 ， 在实验中作者选取 25% 的节点应用各向同性的逐节点剪切（Shear）变换 。 作者与无监督方法和有监督方法进行比较 。 GraphTER 模型在 ModelNet40 数据集上达到了 92.0％的分类准确率 ， 这优于最新的无监督方法 。 大多数的无监督模型都结合了 GAN 和 AED 的思想 ， 例如 FoldingNet ， MAP-VAE 和 L2G-AE 。 结果表明 ， GraphTER 模型相比于这些方法都有显著的提高 ， 表明了 GraphTER 模型优于 GAN 和 AED 。 此外 ， 无监督的 GraphTER 模型还可以达到与全监督模型结果相当的分类准确率 ， 这极大地缩小了无监督方法与全监督方法之间的差距 。
本文插图
表 1：3D 点云分类准确率对比（%） 。2. 3D 点云分割在该任务中 ， 作者使用 ShapeNet part 数据集来验证提出的模型 。 作者同样将 GraphTER 分别同无监督方法和有监督方法进行比较 ， 如表 2 中所示 。 作者的模型达到了 81.9％的 mIoU ， 这比最先进的无监督方法 MAP-VAE 提升了 13.9％ 。 此外 ， 无监督的 GraphTER 模型还可以达到与最新的全监督的方法相当的性能 。
本文插图
表 2：3D 点云分割结果对比（mIoU） 图 5 展示了 GraphTER 模型和两个全监督的方法（DGCNN 和 RSCNN）的 3D 点云分割的可视化结果 。 在第一行的「桌子」模型上 ， GraphTER 模型带来了更准确的分割 ， 并在其他模型上获得了相似的分割结果 。
本文插图
图 5：GraphTER 与全监督方法的 3D 点云分割可视化结果对比 。 此外 ， 作者也将 GraphTER 和最新的无监督方法 MAP-VAE 进行对别 ， 如图 6 所示 。 与 MAP-VAE 相比 ， 作者提出的模型能够带来更准确的分割结果 ， 例如飞机的引擎和椅子腿的部分 。
本文插图
图 6：GraphTER 与无监督方法 MAP-VAE 的 3D 点云分割可视化结果对比 。 五、结论在本文中 ， 作者们提出了一种以无监督方式自动编码节点的变换来学习图变换共变表征的方法——GraphTER 。 作者全局或局部地从图上采样不同的节点 ， 然后各向同性或各向异性地进行逐节点变换 ， 从而能够表征各种规模的图结构 。 通过解码这些逐节点的变换 ， GraphTER 能够学习到图的固有表征 。 作者将 GraphTER 应用于 3D 点云分类和分割任务中 ， 实验结果验证了 GraphTER 优于最新的无监督方法 ， 并且大大缩小了与全监督方法性能之间的差距 。 作者将在未来的工作中将 GraphTER 模型推广到更多的应用中 ， 例如引文网络或社交网络的节点分类 。 [1] Liheng Zhang, Guo-Jun Qi, Liqiang Wang, and Jiebo Luo. AET vs. AED: Unsupervised Representation Learning by Auto-Encoding Transformations rather than Data. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 2547–2555, 2019.[2] Yue Wang, Yongbin Sun, Ziwei Liu, Sanjay E Sarma, Michael M Bronstein, and Justin M Solomon. Dynamic Graph CNN for Learning on Point Clouds. ACM Transactions on Graphics (TOG), 38(5):146, 2019.[3] Xiang Gao, Wei Hu, and Guo-Jun Qi. GraphTER: Unsupervised Learning of Graph Transformation Equivariant Representations via Auto-Encoding Node-wise Transformations. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2020.
推荐阅读
- 「」几何之父——欧几里得是如何证明素数有无穷多个的？天才的设计！
- 无人驾驶@CVPR2020|阿里达摩院自动驾驶新成果,3D物体检测精度与速度的兼得
- [张檬]张檬回应被张萌内涵整容：不知道哪里得罪到您了
- 农村瓦房拆迁标准是什么，一平米可补偿多少农民心里得有底
- 美向欧航局交付“欧几里德”暗物质探测项目关键组件
- 美向欧航局交付“欧几里德”探测器关键组件