近日，机械与电子工程学院高筱钧青年副教授在3D点云的自监督表示学习研究方面取得了新进展。研究成果“DCCN: A Dual-Cross Contrastive Neural Networks for 3D Point Cloud Representation Learning”发表于中科院一区Top期刊《Expert Systems With Applications》。此项工作联合澳大利亚Monash University和美国Stanford University共同完成，其中第一完成单位为西北农林科技大学机电学院，硕士研究生吴晓鹏为第一作者，高筱钧副教授为通讯作者。
Fig. 1. Overview of the proposed DCCN.
随着深度相机的日益普及以及激光雷达传感器在实际工业场景中的应用，高效的3D点云模型来帮助理解现实世界的重要性日益凸显。然而，复杂的三维语义信息对模型设计提出了重大挑战，如空间旋转不变性和不规则的点云结构，这些特征主导着三维点云系统的表示和行为。现有工程严重依赖在有监督学习方式下标注信息，或者在无监督学习方式下未能有效捕获三维点云的内部模式，导致在特定下游任务中表现不佳。为了克服这些问题，提出了一种三维点云的自监督表示学习框架-双交叉对比神经网络(DCCN)，其特点是通过交叉视图、交叉网络和特定领域的知识进行更好的提炼点云的隐藏特性和充分利用编码器的能力。
实验结果表明，DCCN在一系列下游任务上对比许多其他监督和自监督学习方法具有显著优势。
Fig. 2. Part segmentation visualization results on the ShapeNetPart dataset.
该研究工作得到了国家自然科学基金、陕西省重点研发项目和陕西省博士后科研项目经费资助。
原文链接：
https://www.sciencedirect.com/science/article/pii/S0957417424004299