NIPSMay, 2016

FPNN：用于 3D 数据的场探测神经网络

PDF
TL;DR通过使用体积场表示三维空间，使用场探测滤波器来高效地提取特征更为有效，与 3D CNNs 相比，在三维物体识别基准数据集的分类任务上展现出一流的性能。
3d datacnnsfield probing filters3d object recognitionclassification tasks
发现论文，激发创造
  • PFCNN：使用平行帧的三维表面上的卷积神经网络

    通过平行帧场的工具，定义了 PFCNN 在表面网格上的应用。通过模拟标准的卷积方式，可以有效地实现表面网格上的特征学习。实验证明，在不使用比表面网格 CNN 更复杂的输入特征的情况下，PFCNN 在分类、分割、配准和场景分割等方面均实现了优异的性能。

    Aug, 2018

  • 高效三维深度学习的点云卷积神经网络

    本文提出了一种称为 Point-Voxel CNN（PVCNN）的算法，其使用点的形式来表示三维输入数据以减少内存消耗，并通过使用体素来执行卷积以提高效率。该算法在语义分割数据集上实现了比基线模型更高的准确性，同时还在速度上超过了最先进的基于点的模型。

    Jul, 2019

  • 使用伪 3D 残差网络学习时空表示

    本文提出了一种利用 4 个 Pseudo-3D 残差块构建的 Pseudo-3D Residual Net (P3D ResNet) 架构，并将其应用于视频分类问题中，克服了 3D CNN 的计算成本及内存需求高的问题，通过将空间卷积和时间卷积组合的方式显著提高了视频图像识别和分类的准确性。

    Nov, 2017

  • V-Net: 用于体积医学影像分割的全卷积神经网络

    本文提出了一种基于全卷积神经网络的三维图像分割方法，通过优化 Dice 系数的目标函数，应对前景和背景体素数量极不平衡的情况，并通过数据增强技术提高数据样本的数量和多样性，实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。

    Jun, 2016

  • PVNAS: 3D 点 - 体素卷积神经结构搜索

    该研究通过结合基于点和基于体素的模型，提出一种硬件高效的三维卷积方法，并进一步融合 稀疏卷积，以更有效地处理大场景，从硬件效率的角度系统研究三维深度学习。在此基础上，引入三维神经架构搜索来探索最佳三维网络架构，并在六个典型基准数据集上评估其性能，实现 1.8-23.7 倍的加速，已应用于 MIT Driverless 无人驾驶车辆上，实现了更大的检测范围，更高的准确性和更低的延迟。

    Apr, 2022

  • 稀疏 3D 卷积神经网络

    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

  • 点卷积神经网络

    本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络，其中核心是点卷积，这是一种可以在点云的每个点上应用的新型卷积算子，并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。

    Dec, 2017

  • FeaStNet: 基于特征导向的图卷积用于三维形状分析

    该研究提出了一种新颖的图卷积算子，通过动态地计算网络所学习到的特征与图上邻域之间的对应关系来实现任意连接的图邻域与滤波器权重之间的对应关系，并通过实验结果验证该方法可以从原始输入坐标学习有效的形状表示，而不依赖于形状描述符。

    Jun, 2017

  • 基于 3D 神经场的深度学习

    本文提出了 nf2vec 框架，用于在单次推断中为输入的神经场生成紧凑的潜在表示，展示了将其嵌入到深度学习流程中并成功解决各种任务的有效性。

    Dec, 2023

  • 使用 3D-CNN 学习和可视化本地几何特征：应用于钻孔可制造性分析

    本文提出了一种基于 3D Convolutional Neural Networks 和 Gradient-weighted Class Activation Mapping 的方法，能够解释 3D-CNN 的决策过程，并能够识别在对象内部感兴趣的本地特征，该框架可以扩展到多个空间尺度，为实时的制造可行性决策支持系统提供支持。

    Nov, 2017