Apr, 2017

Semantic3D.net：一个新的大规模点云分类基准

HTML
PDF
TL;DR本文介绍了一个新的3D点云分类基准数据集，其中包含超过40亿个手动标记的点，用于数据密集型的（深度）学习方法。使用深度卷积神经网络（CNNs）作为工作马的初始提交已经显示出相对于现有技术具有显著的性能改进。我们提供了基线方法描述和通过我们的在线系统提交方法之间的比较。我们希望Semantic3D.net能够为3D点云标注中的深度学习方法铺平道路。
发现论文，激发创造
  • 用于三维点云语义标记的全卷积网络

    本文介绍了使用一维全卷积网络对点云数据进行语义标记的方法，该方法直接分析经过地形归一化后的点，并结合光谱数据以学习上下文特征。我们的方法不需要手动提取特征，且在多个方面上比传统方法表现更优越，其中包括利用ISPRS 3D语义标注竞赛数据获得了81.6%的准确率，F1分数比最高准确率方法高1.69%。此外，本文还展示了该方法可轻松扩展到2D语义分割任务。

    Oct, 2017

  • SEGCloud：3D 点云的语义分割

    本研究介绍了SEGCloud，一种利用三线性插值和完全连接条件随机场等方式得到端到端三维点级分割的框架，可实现对室内和室外三维数据集进行准确的场景标注。

    Oct, 2017

  • 探索点云三维语义分割的空间上下文

    本文探讨了如何扩展PointNet架构以涵盖较大尺度的三维空间语义分割。通过两种扩展策略，该方法在室内和室外数据集上均取得了较好的结果。

    Feb, 2018

  • 大规模点云的全卷积点网络

    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

  • 三维点云语义分割的点注意力网络

    本研究提出了一种点关注网络，它可以在对3D点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的3D点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种3D点云。

    Sep, 2019

  • 面向城市尺度三维点云的语义分割：数据集、基准和挑战

    本文介绍了一个由三个英国城市中7.6平方公里的城市景观组成的大规模城市照相测量点云数据集，其中每个3D点都被标记为13个语义类别之一，并通过基于现有算法的综合分析来识别了几个关键问题。

    Sep, 2020

  • SQN: 大规模 3D 点云弱监督语义分割

    使用Semantic Query Network方法，只需要对点云的0.1%进行随机注释，就可以实现对七个大规模开放数据集的弱监督语义分割，从而极大地减少注释成本和工作量。

    Apr, 2021

  • 三维点云的标签高效深度学习调研

    本文首次综述了基于标注效率的点云数据学习，并提出了基于不同类型标签提供的数据前提条件组织标注效率学习方法。该文分类了四种典型的降低点云标注成本的方法：数据增强、域迁移学习、弱监督学习和预训练基础模型，并对这些方法进行了广泛的文献综述。同时，该文分析了当前研究中的挑战并提出了未来研究的发展方向。

    May, 2023

  • 基于三维点云数据的三维对象和场景的分类、识别、分割和重构：综述

    本文综述了现有的三维点云分析技术及其算法、应用场景和目标，介绍了使用的数据集和评估指标，并比较了现有解决方案的性能，最后分析了当前技术面临的挑战和吸引人们注意的未来趋势。

    Jun, 2023

  • HRHD-HK：高层和高密度城市场景的基准数据集，用于摄影测量点云的3D语义分割

    本文提出一种高层、高密度城市点云基准数据集(HRHD-HK)，同时对现有的8种语义分割算法在此数据集上进行了全面评估，实验结果表明目前的点云3D语义分割仍有很大提升空间，特别是对于小体积的城市对象来说。

    Jul, 2023