子流形稀疏卷积网络
本研究提出了一种新的稀疏卷积操作,旨在更高效地处理空间稀疏数据,并使用其开发出空间稀疏卷积网络 (SSCNs)。我们在涉及三维点云的语义分割任务中展示了这种模型的强大性能,特别是我们的模型在最近一个语义分割竞赛的测试集上超越了所有以前的最新技术。
Nov, 2017
通过采用邻域共识网络并对其进行修改,运用 4DCNN 和稀疏卷积,提高了图像间的精确本地化对应关系,同时在 HPatches Sequences 以及 InLoc 视觉本地化基准中达到最先进的结果。
Apr, 2020
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
本文提出了一种用于处理稀疏数据的卷积神经网络架构,采用了一种稀疏卷积层,能够在深度上采样中取得优异的实验效果,作者构建了一个新的基准数据集 KITTI benchmark 进行了验证。
Aug, 2017
本文介绍了一种新型的基于拼贴的稀疏卷积算法,通过利用计算掩码的稀疏结构,降低了 CNN 中高分辨率计算的复杂度,并应用于基于 LiDAR 的 3D 目标检测中,最终获得了显著的速度提升而无需牺牲准确率。
Jan, 2018
使用 4D 卷积神经网络,通过稀疏张量和广义稀疏卷积提供的广泛高维函数,实现了针对 3D 视频的时空感知,并通过提出的混合核和三边静态条件随机场,优化了 7D 时空色度空间中的一致性问题。实验表明,与 2D 或 2D-3D 混合方法相比,只使用广义 3D 稀疏卷积的卷积神经网络可以获得更好的性能。此外,我们还表明,在处理 3D 视频时,4D 时空卷积神经网络不仅更加鲁棒,而且有时比 3D 卷积神经网络更快。
Apr, 2019
通过处理空间稀疏的输入,我们开发了一种 CNN,可更加高效地训练和测试大型深度 CNN,在手写识别和图像分类等问题上取得了良好的性能。该方法在 CASIA-OLHWDB1.1 和 CIFAR-10/CIFAR-100 数据集上实现了较低的测试误差率。
Sep, 2014
本文提出了两个基于可学习特征稀疏性和位置重要性预测的新模块:焦点稀疏卷积和其多模式变体,可以很容易地替代现有稀疏卷积神经网络中的基本组件,并以端到端的方式联合训练,该新模块在 KITTI、nuScenes 和 Waymo 基准测试上进行了广泛实验,并在 nuScenes 测试基准中胜过了所有现有的单一模型条目。
Apr, 2022
本文提出一种直接以高维网格中的稀疏采样点集合形式处理点云的网络架构,采用稀疏双边卷积层作为构建块,实现对网格的有效卷积计算,可以灵活地进行分层和空间感知特征学习,并且可以轻松地将基于点或基于图像的表示方法应用于网络中,实验证明本文的方法在三维分割任务中胜过现有的最先进技术。
Feb, 2018
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