.png){kind=icon}
返回
Self-Supervised 3D Point Cloud Detection with Depthwise Separable Masked Autoencoders
.png){kind=icon}
OA
AI
DOI：10.3390/rs18183148.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于LiDAR点云的三维目标检测对于自动驾驶至关重要，但现有方法通常依赖成本高昂且标注详尽的 datasets。自监督掩码自动编码器（MAE）提供了一种有前景的替代方案，但在有效捕捉局部几何结构的同时保持计算效率仍具挑战性。本文提出DS-MAE，一种深度可分离掩码自动编码器，用于自监督三维点云检测。DS-MAE引入了具有深度可分离注意力的金字塔变换器编码器，以增强局部几何特征提取并降低计算成本。进一步设计了深度可分离生成解码器用于多尺度掩码特征重建，同时密度感知重建损失考虑了LiDAR观测的非均匀点密度。在KITTI、Waymo Open Dataset（WOD）和ONCE数据集的一个小规模子集上的实验证明了DS-MAE的有效性，分别实现了67.95%、67.70%和58.92%的mAP。在WOD上，报告的性能仅使用20%的标注训练数据即达成，证明了DS-MAE在有限监督下的有效性。
Keyword:
3D object detection
depthwise separable attention
point clouds
masked autoencoders
self-supervised learning
