PC-FractalDB

构建3D点云数据集需要付出大量的人力努力。因此，构建大规模3D点云数据集是困难的。为了解决这个问题，我们提出了一个新开发的点云分形数据库 (pc-fractaldb)，它是受自然3D结构中遇到的分形几何启发的公式驱动的监督学习的新颖族。我们的研究基于这样的假设，即通过学习分形几何，我们可以从比传统3D数据集更真实的3D模式中学习表示。我们展示了PC-FractalDB如何促进解决3D场景理解中最近与数据集相关的几个问题，例如3D模型收集和劳动密集型注释。实验部分显示了我们如何在当前的最高得分上分别为ScanNetV2和SUN rgb-d数据集实现高达61.9% 和59.4% 的性能速率。通过点对比，对比场景上下文 (CSC) 和随机室获得。此外，pc-fractaldb预训练模型在有限数据的训练中特别有效。例如，10% ScanNetV2上的训练数据，pc-fractaldb预训练的VoteNet在38.3% 执行，这比CSC 14.8% 高。特别值得注意的是，我们发现所提出的方法在有限的点云数据中进行3D对象检测预训练时达到了最高的结果。

搜集汇总

背景与挑战

背景概述

PC-FractalDB是一个基于分形几何的公式驱动点云数据集，旨在解决3D点云数据构建和标注的难题。该数据集通过预训练模型在ScanNetV2和SUN RGB-D等基准上实现了性能提升，尤其在数据有限的情况下表现出色。