CVPRNov, 2016

OctNet：学习高分辨率的深度三维表示

PDF
TL;DR本文介绍了一种针对稀疏三维数据的深度学习表示方法 OctNet，通过使用一组不平衡的八叉树对空间进行分层划分，在每个叶子结点存储池化特征表征，从而实现了既有深度又有高分辨率的三维卷积网络，探究了分辨率对 3D 物体分类、方向估计和点云标记等任务的影响。
octnet3d convolutional networkssparse dataunbalanced octreesresolution impact
发现论文，激发创造
  • Octree 生成网络：用于高分辨率 3D 输出的高效卷积架构

    本文介绍一种基于深度卷积解码器的体积 3D 输出生成体系结构，该体系结构采用八叉树表示方式，在使用有限内存的同时提升生成分辨率，适用于多种应用领域，包括 3D 自编码器、基于单张图片的 3D 形状生成等。

    Mar, 2017

  • 基于函数空间学习三维重建的占用网格

    本文提出了一种新的基于占据网络的、在 3D 重建方面使用的表示方法，可以在计算和内存效率上实现任意拓扑的高分辨率几何表示，并通过各种输入进行推断，产生竞争力的结果。

    Dec, 2018

  • O-CNN: 基于八叉树的卷积神经网络用于三维形状分析

    O-CNN 是一种基于八叉树结构的 3D 形状分析卷积神经网络，通过将 3D 模型的平均法向量作为输入并在被 3D 形状表面占用的八叉树执行 3D 卷积操作，在 GPU 上高效执行整个网络的训练和评估，在物体分类、形状检索和形状分割等三个任务上显示出高效和有效性。

    Dec, 2017

  • 基于稀疏三维卷积神经网络的大规模形状检索

    该论文评估了 S3DCNN 在大规模 3D 形状基准 ModelNet40 上的性能，并衡量其受输入形状体素分辨率的影响，证明其在训练和推理阶段的计算成本要低得多，并提出了高分辨率输入的好处可能会受到神经网络推广高级特征能力的限制。

    Nov, 2016

  • 3D ShapeNets：一种用于体积形状的深度表示

    使用卷积深度置信网络将几何 3D 形状表示为 3D 体素网格上的二元变量的概率分布，以实现物体识别和根据 2.5D 深度图形完成 3D 形状恢复等多个方面的任务，利用构建的大规模 3D CAD 模型数据集 - ModelNet 进行训练，可以在各种任务中显著提高性能。

    Jun, 2014

  • FusionNet: 使用多种数据表示进行的 3D 物体分类

    利用体素表示法和像素表示法，使用卷积神经网络进行 3D 目标识别。使用新的 V-CNN 架构将两种表示法相结合，获得显著更好的分类器。

    Jul, 2016

  • 使用 3D 残差网络学习时空特征用于动作识别

    通过使用 Residual Networks 的 3D CNN，我们训练了一个视频动作识别模型，并实验表明在 Kinetics 数据集上它具有更好的性能，虽然参数很大但没有出现过拟合的问题

    Aug, 2017

  • 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

  • 卷积神经网络结构搜索用于时空特征学习

    基于 ImageNet 预训练的 ConvNets 在图像识别方面已经得到了证明，但是为了捕捉到运动模式，仍然需要专门的时空特征学习，本文提出了一种经验 ConvNet 架构搜索方法，通过 3D 残差 ConvNet 实现，其在 Sports-1M、UCF101、HMDB51、THUMOS14 和 ASLAN 上的表现均优于 C3D，且推断时间减少一半、模型大小减小一半，具有更紧凑的表现形式。

    Aug, 2017

  • 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