.png){kind=icon}
返回
Hard-Soft Pseudo Labels Guided Semi-Supervised Learning for Point Cloud Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/LSP.2024.3386115.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
点云在三维视觉感知中有着广泛的应用。然而，手动注释点云比2D图像更加繁琐和耗时。幸运的是，半监督学习可以利用大量未标记的数据来缓解这个问题，这正成为一种有前途的技术。在这封信中，我们提出了一种用于点云分类的新型半监督学习 (SSL) 框架，名为HPSSL。它的无监督学习分支执行表示嵌入和伪分类任务。具体来说，从共享分类器生成未标记样本的硬和软伪标签，以指导我们的SSL框架中的类感知对比学习。此外，提出了一种预测一致性策略，以增强特征表示的区分性和伪标签的准确性。此外，我们通过分布对齐强制监督学习分支与非监督学习分支进行交互，从而实现表示一致性。在三个3D形状识别基准上的广泛实验证明了所提出方法的有效性。
Keyword:
Point cloud compression
Training
Three-dimensional displays
Self-supervised learning
Semisupervised learning
Task analysis
Unsupervised learning
Point cloud
3D vision
semi-supervised learning
contrastive learning
pseudo label
期刊
IF:
9.6
论文数:
1.1W
被引数:
1.7W
机构
引用论文
.png){kind=icon}
分享收藏Data-processing artefacts in three-dimensional dive path reconstruction from geomagnetic and acceleration data从地磁和加速度数据进行三维潜水路径重建中的数据处理伪像
PREAI
分享收藏Lösliche
trans
‐Di‐1‐alkinyl‐ und Poly‐
trans
‐ethinyl(tetraalkylphthalocyaninato)metall‐IVB‐DerivateLösliche
trans
-二-1-炔基-与聚-
trans
-乙炔基 (四烷基酞菁) 金属-ⅳ-衍生物
PREAI
分享收藏
查看更多内容