摘要

大规模点云数据集的手动标注由于其非规则结构而极为耗时。尽管跨模态对比学习方法（如CrossPoint和CrossNet）在利用多模态数据进行自监督学习方面取得了进展，但其训练过程仍因模内（IM）与跨模态（CM）损失采用静态权重分配而存在不稳定性问题。这种静态权重无法适应不同模态间不同的收敛速度差异。为此，我们提出AdaCrossNet——一种面向点云理解的新型自监督学习框架，该框架引入动态权重调节机制，用于优化模内与跨模态对比学习的权重分配。AdaCrossNet通过在共享隐空间中同时增强三维点云与其对应二维渲染图像之间的对齐性，实现特征表示的学习。所提出的动态权重调节机制能够根据各模态的收敛行为自适应地平衡IM与CM损失的贡献，从而提升训练稳定性。为保障训练过程的平稳性，我们采用指数加权移动平均（EWMA）对权重更新进行平滑处理。我们在ModelNet40、ShapeNetPart和ScanObjectNN等基准数据集上进行了实验验证。结果表明，AdaCrossNet在各项任务中均显著优于现有方法：在ModelNet40分类任务中达到91.4%的准确率；在ShapeNetPart分割任务中取得85.1%的mIoU指标；当与DGCNN主干网络结合时，在ScanObjectNN数据集上实现82.1%的分类准确率，表现显著提升。本方法在提升模型训练效率的同时，有效增强了所学表示在下游任务中的泛化能力。