Vote3Deep：使用高效卷积神经网络快速检测三维点云中的物体

Sep, 2016

Vote3Deep：使用高效卷积神经网络快速检测三维点云中的物体

Vote3Deep: Fast Object Detection in 3D Point Clouds Using Efficient Convolutional Neural Networks

Martin Engelcke, Dushyant Rao, Dominic Zeng Wang, Chi Hay Tong, Ingmar Posner

TL;DR本文提出了一种在三维点云中有效检测对象的方法，使用卷积神经网络并利用稀疏性，提出了基于特征中心投票方案的卷积层和 L1 正则化，实现了高效的大规模三维数据处理，并在 KITTI 物体检测基准测试中表现出优异的成果。

Abstract

This paper proposes a computationally efficient approach to detecting objects natively in 3d point clouds using convolutional neural networks (CNNs). In particular, this is achieved by leveraging a feature-centri

3d point clouds convolutional neural networks object detection sparse convolutional layers l1 regularization

发现论文，激发创造

点云三维目标检测的深度 Hough 投票

本文提出了一种基于深度点集网络和 Hough 投票的端到端三维物体检测网络 VoteNet，通过纯几何信息在两个大型真实三维扫描数据集 ScanNet 和 SUN RGB-D 上实现了最先进的三维检测，且模型设计简单，模型大小小，效率高，并且不依赖于颜色图像。

Apr, 2019

ImVoteNet: 通过图像投票提升点云中的 3D 物体检测

本文提出了一种新的三维检测方法 ImVoteNet，通过将二维图像和三维点云进行融合来实现，验证结果表明，此方法在 SUN RGB-D 数据集上优于先前方法，主要应用于 RGB-D 场景。

Jan, 2020

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

快速点云 R-CNN

本篇研究提出了一种基于点云的三维物体检测框架，采用两个阶段的方法，利用体素表示和点云原始数据的优势进行特征提取，并在 KITTI 数据集上进行评估，取得了 3D 和 Bird's Eye View（BEV）检测的最新成果，检测速度达到了每秒 15 帧。

Aug, 2019

基于点云的三维全卷积网络车辆检测

本文将全卷积网络技术扩展到三维，并将其应用于点云数据的车辆检测任务中，实验结果表明该方法在自动驾驶领域的 KITTI 数据集上表现较之前的点云检测方法有显著提升。

Nov, 2016

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

VoxelNet：基于点云的三维物体检测的端到端学习

VoxelNet 是一种针对点云图像检测的深度网络，可以将点云分割成等间距的三维体素，并通过新引入的体素特征编码层将每组点转换为统一的特征表示，从而生成描述性的体积表示，并连接 RPN 以生成检测。

Nov, 2017

基于图卷积核的三维点云物体检测

该研究提出了一种基于 2D 透视范围图像的卷积神经网络架构方法，可用于直接从范围图像视图学习 3D 表示。通过利用本地几何和跨模态融合处理，该方法在行人检测方面的 AP 从 69.7％提高到 75.5％，同时模型参数和操作速度均表现良好。

Jun, 2021

基于 CUDA 的稀疏卷积在 GPU 上的三维点云优化

近年来，深度学习方法的利用显著增加，尤其是卷积神经网络（CNNs），已成为涉及结构化网格数据的各个领域，如图片分析和处理中的主要方法。然而，在许多领域中，激光雷达和 3D 传感器的指数增长导致了对 3D 点云分析的增加需求。与照片不同，点云呈现稀疏性且缺乏规则网格，因此存在着不同的处理和计算问题，这对于包括物体识别在内的各种应用非常关键。

Feb, 2024

VR3Dense: 用于三维物体检测和单目密集深度重建的体素表示学习

介绍了一种联合训练 3D 目标检测和单目稠密深度重建神经网络的方法，通过 LiDAR 点云和单个 RGB 图像生成物体姿态预测和密集重建深度，其中 LiDAR 点云被转换为一组体素并使用 3D 卷积层提取特征，通过另一个 2D 卷积神经网络提取相应的 RGB 图像特征，并使用这些组合特征来预测密集深度图。

Apr, 2021