Jun, 2017

PointNet++：在度量空间中对点集进行深层次分层特征学习

PDF
TL;DR本研究提出了一种基于层级神经网络的深度学习算法，可以递归应用 PointNet 模型在输入点集的嵌套划分上，并通过度量空间距离利用上下文信息进行学习，同时通过自适应的集合学习层将不同规模的特征组合，从而有效地、鲁棒地学习点集特征，达到了显著优于当前最先进方法的效果。
deep learningpoint setshierarchical neural networkmetric space distancesset learning layers
发现论文，激发创造
  • PointNet：基于点集的深度学习用于三维分类和分割

    本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

    Dec, 2016

  • Mini-PointNetPlus：一种用于三维环境感知的深度学习模型的局部特征描述器

    通过使用 mini-PointNetPlus，我们提出了一种新的局部特征描述子，用于在深度学习模型中提取点云的特征，并在实验证明其能够显著提高三维感知的性能。

    Jul, 2023

  • GeoNet: 基于深度测地线网络的点云分析

    GeoNet 是第一个深度学习结构用于对点云表达的曲面的内在结构建模，通过使用 GeoNet 与 PU-Net 和 PointNet ++ 等基线或骨干网络的融合方案来改善多个代表性任务的现有方法，包括点上采样、法向量估计、网格重建和非刚性形状分类。

    Jan, 2019

  • 利用核相关和图池化挖掘点云局部结构

    本文提出了两个新的操作，帮助 PointNet 更高效地利用局部结构以提高 3D 点云的语义学习效果，并通过实验证明，我们的模型可以捕获局部信息并在主要数据集上表现更好。

    Dec, 2017

  • PointNeXt: 重新审视 PointNet++ 的改进训练和扩展策略

    本文对 PointNet ++ 进行了系统性研究，提出了一组改进的训练策略和可扩展的 PointNeXt，使用数据增强和优化技术以及增加模型大小来显着提高性能并在 3D 分类任务中实现了最新的最先进的结果。

    Jun, 2022

  • PointNet++ 抓取：从稀疏点云学习端到端的空间握取生成算法

    本文提出了一种端到端的方法，用于直接预测所有抓取的姿态，类别和得分，并介绍了一种快速的基于 Ferrari Canny 度量的多目标抓取检测算法。该方法无需采样或搜索过程，使用整个稀疏点云作为输入。实验表明，该方法的成功率和完成率均优于当前最先进的方法。

    Mar, 2020

  • PPFNet: 全局上下文感知的局部特征用于强健的三维点匹配

    本文提出 PPFNet——Point Pair Feature 网络，用于深度学习全局细节感知的三维局部特征描述符，以在无组织的点云中找到对应点。通过在纯几何图形上学习本地描述符，并高度关注全局上下文，实现 3D 表示为点对特征及局部邻域内的点和法向量的组合，并使用新型 N-tuple loss 和架构将全局信息自然地注入本地描述符中，实现量化和定性评价，证明了上述方法在 3D 描述符提取性能中的作用。

    Feb, 2018

  • PU-Net: 点云上采样网络

    本文提出了一种数据驱动的三维点云上采样技术，通过在特征空间中隐式地学习多层次特征并扩展点集，进而构建高密度点集，并在表面均匀分布的基础上实现采样点的重构，实验结果表明该方法的优越性。

    Jan, 2018

  • 基于图注意力的点云局部特征开发神经网络 GAPNet

    本研究基于图形注意力机制，提出了一个新的神经网络 GAPNet，用于学习点云中的局部几何表示，并且在形状分类和部分分割任务中，取得了最先进的性能。

    May, 2019

  • 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