训练现有的无监督点云预训练
所提出的 于立体匹配的金字塔组合和变形成本卷的口头研究论文接受率 。在本文中，百度研究人员提出了，一种基于金字塔组合和成本量的网络，它可以在跨域泛化和各种基准上的微调精度方面取得良好的性能。特别是，所提出的 是为了两个目的而设计的。首先，研究人员在金字塔的上层构建了组合体，并开发了成本体融计。其次，研究人员在金字塔的最后一层构建了扭曲体积以进行视差细化。当对合成据集时，该方法表现出强大的跨域泛化能力，并且大大优于现有的最先进技术。截至 年 月 日，该方法在上排名第一，在上排名第二，在 上排名第一。 数据集上的模型泛化能力与微调性能研究论文基于的物体检测的无监督预方法仅限于场景级或点 体素级实例辨别。场景级方法往往会丢失对于识别道路物体至关重要的局部细节，而点 体素级方法 电话号码列表 本质上受到有限的感受野的影响，无法感知大型物体或上下文环境。考虑到区域级表示更适合对象检测，本研究设计了一种新的无监督点云预训练框架，称为 ，它通过对比区域提案来学习鲁棒的表示。
https://static.wixstatic.com/media/3a97ba_872891d096ca44ea9974c9e8c3b4ca52~mv2.jpg/v1/fill/w_739,h_413,al_c,lg_1,q_80,enc_auto/3a97ba_872891d096ca44ea9974c9e8c3b4ca52~mv2.jpg
具体来说，通过从每个点云采样的一组详尽的区域提案，对每个提案内的几何点关系进行建模，以创建富有表现力的提案表示。为了更好地适应检测属性， 通过簇间和提议间分离进行优化，即增强跨语义类和对象实例的提议表示的辨别力。 的通用性和可迁移性在各种检测器即 和 和数据集即和 上得到验证。 框架的图示。给定具有不同视图的增强点云，该方法首先对配对区域提案进行采样，然后使用区域提案编码模块提取特征。之后，强制执行提议间区分和簇间分离以优化整个网络。
頁:
[1]
