本研究提出一种代数约束卷积层来解决在卷积神经网络中处理稀疏和不规则间隔输入数据的问题,并且在场景深度完成任务中展示其能力,通过新颖的方法确定置信度并传递到后续层,并提出一个目标函数,同时最小化数据误差并最大化输出置信度,在 KITTI 深度基准上进行了广泛实验并证明了明显的优越性。
May, 2018
该论文介绍了一种处理稀疏深度数据的方法,它可以完成深度补全和语义分割,且具有网络鲁棒性,适用于包括 8 层雷达在内的密度极低的场景,并在 KITTI 深度补全基准测试中表现出优越性能。
Aug, 2018
本文提出了一种代数约束归一化卷积层,可以用于处理高度稀疏的输入数据,结合深度和 RGB 信息,同时最小化数据误差和最大化输出置信度,解决场景深度补全问题,具有参数效率等优点。
Nov, 2018
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
文章提出了一种针对稀疏数据的稀疏卷积操作方法,不同于以前的稀疏卷积网络,其在处理子流形时非常高效,与最先进的方法性能相当,但需要明显更少的计算。
Jun, 2017
本文介绍一种利用 CNNs 去处理罕见数据的工具套件,包括直接稀疏卷积、注意力机制避免填充,以及适用于标准学习框架的反向传播算法改进,可以实现比传统密集框架更低的内存足迹和计算时间。
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
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