本文提出了一种名为 LatticeNet 的使用 PointNet 和稀疏排列共同完成快速卷积的 3D 语义分割方法,通过使用 DeformSlice 将格子特征反投影到点云使得模型在多个数据集上达到了 SOTA 结果。
Dec, 2019
本文提出一种直接以高维网格中的稀疏采样点集合形式处理点云的网络架构,采用稀疏双边卷积层作为构建块,实现对网格的有效卷积计算,可以灵活地进行分层和空间感知特征学习,并且可以轻松地将基于点或基于图像的表示方法应用于网络中,实验证明本文的方法在三维分割任务中胜过现有的最先进技术。
Feb, 2018
本文提出了一种基于深度学习的任务(visual permutation learning),通过使用 Sinkhorn 迭代生成本质上是连续的双随机矩阵的方法,建立了一个名为 DeepPermNet 的端到端卷积神经网络模型,成功地应用于两个具有挑战性的计算机视觉问题,并在相关数据集上实现了最优化的性能,在深度学习和排列学习领域有着广泛的应用价值。
Apr, 2017
研究了用于处理稀疏三维输入数据的卷积神经网络,并以 2D 三角晶格和 3D 四面体晶格的 CNN 效率为研究重点,适合于 3D 物体识别和时空对象分析等应用。
May, 2015
介绍了一种对置换对称的神经网络层,类比于卷积层,可以预测 2D 中密集互动粒子的运动,同时可以适应不同数量的对象。
Dec, 2016
本文提出格点卷积网络(LCN),使用自门控和注意力机制,将非方形晶格转换为格状扩展晶格,并在正方形、蜂窝状、三角形和菱形晶格上实现了性能与现有方法相媲美,无需手工编码。
Jun, 2022
本文介绍了一种新型的基于拼贴的稀疏卷积算法,通过利用计算掩码的稀疏结构,降低了 CNN 中高分辨率计算的复杂度,并应用于基于 LiDAR 的 3D 目标检测中,最终获得了显著的速度提升而无需牺牲准确率。
Jan, 2018
本文提出了 PermDNN,一种新的方法来生成和执行硬件友好的结构稀疏 DNN 模型,使用置换对角线矩阵。与当前方法相比,PermDNN 具有更好的压缩效果、灵活的压缩比、简单的算术计算和全利用输入稀疏性的优势,并取得了更高的吞吐量和更好的能量效率。
Apr, 2020
本文提出了一种用于处理稀疏数据的卷积神经网络架构,采用了一种稀疏卷积层,能够在深度上采样中取得优异的实验效果,作者构建了一个新的基准数据集 KITTI benchmark 进行了验证。
Aug, 2017
本文介绍一种利用 CNNs 去处理罕见数据的工具套件,包括直接稀疏卷积、注意力机制避免填充,以及适用于标准学习框架的反向传播算法改进,可以实现比传统密集框架更低的内存足迹和计算时间。