使用多分辨率树形网络来处理点云实现三维形状的理解和生成,可用于分类形状和学习点云形状的无监督生成,表现优于现有基于点的架构。
Jul, 2018
本文提出了一种基于 k-d 树的方法,旨在同时利用点云的局部和全局背景信息,通过沿树结构逐步学习表征向量,从而生成区分度强的点集特征。实验证明,该方法在 3D 场景语义分割等任务上明显优于现有的方法。
Nov, 2017
本文提出了一种基于八叉树引导的神经网络结构和球形卷积核来进行任意 3D 点云的机器学习。该网络架构充分利用了不规则点云的稀疏性,并通过空间划分分层粗化数据表示。同时,该提议的球形核有系统地量化点邻域,以识别数据中的局部几何结构,同时保持平移不变性和不对称性。我们利用与空间位置相关联的网络神经元来指定球形核,从而避免了网络训练期间动态核生成,以实现高分辨率点云的高效学习,并在 3D 对象分类和分割的基准任务上取得了新的最先进状态,分别在 ShapeNet 和 RueMonge2014 数据集上。
Feb, 2019
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
基于连续点卷积的新型 U-net 架构能够自然地嵌入 3D 坐标信息,并通过已建立的下采样和上采样过程进行多尺度的特征表示,从而有效地改进了基于神经网络的三维物体动态建模方法。
Apr, 2024
本文介绍了一种新的卷积操作 PointConv,此操作可用于处理 3D 点云并建立深度卷积神经网络,该网络具有创建非线性函数权重和密度函数的功能,实验表明,PointConv 可用于挑战性的语义分割基准测试,并在 2D 图像的结构相似情况下提供类似于卷积网络的性能。
Nov, 2018
提出了一种用于处理大规模 3D 数据的一般用途的全卷积网络,具有内部将无组织的点云转换为有序结构以通过 3D 卷积处理的能力,可用于许多 3D 任务的通用点云描述符。在语义体素分割,语义部分分割和 3D 场景字幕数据集上进行了评估。
Aug, 2018
描述了一种卷积神经网络,用于分类城市或室内场景的 3D 点云,采用多尺度邻域的点位置进行点分类,排名第二,并打败了不使用正则化步骤的最新点分类方法。
Apr, 2018
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
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