Os métodos existentes de aprendizado de representação para artefatos cerâmicos são baseados em aprendizado supervisionado que requer uma grande quantidade de dados rotulados, sendo que a rotulagem manual é demorada, trabalhosa e não permite aprender eficazmente as informações estruturais intrínsecas da nuvem de pontos. Neste artigo, propomos um método de aprendizado de representação não supervisionado baseado em inferência bidirecional local-global. Primeiramente, propomos um codificador hierárquico de convolução de casca multiescala para extrair características locais de fragmentos de artefatos em diferentes escalas. Em seguida, utilizamos um módulo de inferência local para global para mapear as características locais extraídas em características globais, medindo a diferença entre elas por meio de aprendizado métrico e realizando aprendizado iterativo. Depois, utilizamos um módulo de inferência global para local para garantir a qualidade das características globais obtidas. Por fim, aprendemos a representação da nuvem de pontos dos artefatos por meio de inferência bidirecional entre estruturas locais e forma global em diferentes níveis, aplicando a representação aprendida em tarefas de classificação downstream. O modelo de rede alcançou precisão de classificação de 93,33% no conjunto de dados dos Guerreiros de Terracota e 92,02% no conjunto de dados público ModelNet40, superando o PointNet em 4,4% e 2,82%, respectivamente. Além disso, reduziu a lacuna entre métodos de aprendizado não supervisionados e supervisionados em tarefas downstream de classificação.

aprendizado não supervisionado;multiescala;aprendizado profundo;classificação de nuvem de pontos;restauração virtual de artefatos