Nov, 2017

3DContextNet：利用局部和全局上下文线索，通过 K-d 树引导的分层点云学习

PDF
TL;DR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。
发现论文，激发创造
  • 使用对比场景语境探索数据高效的三维场景理解

    本文提出一种基于对比场景上下文的三维预训练方法，在数据量和标注不足时实现了全面标注的近乎完全的实例分割和语义分割。

    Dec, 2020

  • 利用局部和全局结构进行点云语义分割，使用上下文点表示

    本篇论文使用上下文点表示方法，提出了一种基于点云局部和全局结构的创新模型，使用门控融合和图形点网络模块进行语义分割，借助空间性和通道性的注意力策略，以 S3DIS 和 ScanNet 数据集为基础，效果超过现有最先进的方法。

    Nov, 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

  • 基于聚类的点云表示学习用于三维分析

    基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。

    Jul, 2023

  • DensePoint: 学习高密度环境下的点云表示，为高效的点云处理提供支持

    提出了一种名为 DensePoint 的点云处理方法，通过推广卷积算子实现了针对不规则点配置的正则化网格卷积神经网络，并从密集连接模式中汲取灵感，在深层次结构中重复聚合多层次、多尺度语义信息，从而有机地获得具有密集上下文信息的多元语义，同时进行高效归纳学习，实验结果表明 DensePoint 方法优于现有方法，达到了业界最佳性能。

    Sep, 2019

  • 具有上下文编码的密度感知卷积网络用于航空 LiDAR 点云分类

    本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于 3D 点云分类，同时在 ISPRS 3D 标注基准上实现了新的最优性能。

    Oct, 2019

  • 基于八叉树的点云压缩框架：VoxelContext-Net

    提出了 VoxelContext-Net 两阶段深度学习框架，利用体素和八叉树方法对静态和动态点云进行压缩，使用体素环境压缩八叉树结构数据，通过熵编码来压缩非叶节点符号的深度熵模型。

    May, 2021

  • 了解邻居在做什么：点云的三维语义分割

    本文介绍了一种深度学习架构，用于解决非结构化点云的三维语义分割问题。与以往的工作相比，我们引入了点群聚合技术，定义了初始世界空间和学习特征空间中的点邻域，并结合专用损失函数，进一步构建了学习点特征空间。我们展示了如何将这些机制应用于点云的三维语义分割任务，并在室内和室外数据集上报告了最新性能。

    Oct, 2018

  • 深度投影三维语义分割

    本文提出了一种基于 2D-CNN 和多模态网络架构的点云语义分割方法，将点云数据投影到 2D 平面，避免了 3D-CNN 方法中立方体体素化降低空间分辨率和增加内存消耗的限制，并在 Semantic3D 数据集上达到了相对增益 7.9％的最新最佳结果。

    May, 2017

  • 探索 3D 点云理解的上下文学习

    介绍了一种特别用于 3D 点云中上下文学习的新框架 Point-In-Context，利用联合采样模块和有效提示选择策略达到了优于单独训练模型的性能。

    Jun, 2023