Dec, 2017

O-CNN: 基于八叉树的卷积神经网络用于三维形状分析

PDF
TL;DRO-CNN 是一种基于八叉树结构的 3D 形状分析卷积神经网络，通过将 3D 模型的平均法向量作为输入并在被 3D 形状表面占用的八叉树执行 3D 卷积操作，在 GPU 上高效执行整个网络的训练和评估，在物体分类、形状检索和形状分割等三个任务上显示出高效和有效性。
o-cnnoctree-based convolutional neural network3d shape analysisgpushape segmentation
发现论文，激发创造
  • 自适应 O-CNN：基于块的三维形状深度表示

    提出了一种自适应八叉树卷积神经网络（Adaptive O-CNN），用于高效的三维形状编码和解码，通过不同于体素或八叉树方法以相同分辨率表示三维形状的方式，Adaptive O-CNN 在不同级别使用八分之一的八叉树表示，并在每个八叉树的八分之一上用平面路径表示三维形状，在减少内存和计算成本的同时提供了比现有的 3D-CNN 方法更好的形状生成能力。

    Sep, 2018

  • H-CNN：基于空间哈希的 3D 形状分析卷积神经网络

    本文介绍了一种基于空间哈希的数据结构，该结构可以方便使用卷积神经网络进行三维形状分析。相比现有的基于边界的方法，使用该数据结构可以极大地降低内存消耗，提高 CNN 的运行速度，同时保证了分析结果的准确性。

    Mar, 2018

  • 基于深度八叉树卷积神经网络的输出引导跳跃连接用于 3D 形状和场景完整性

    用深度学习方法，采用 O-CNN 和 U-Net 结构，在保留输入几何形状和从数据中学习几何形状之前，通过引入新的输出引导跳过连接的网络结构对输入的嘈杂和不完整形状或场景进行了完整性处理，并在三维形状完整性和语义场景计算方面取得了最先进的结果。

    Jun, 2020

  • Octree 生成网络：用于高分辨率 3D 输出的高效卷积架构

    本文介绍一种基于深度卷积解码器的体积 3D 输出生成体系结构，该体系结构采用八叉树表示方式，在使用有限内存的同时提升生成分辨率，适用于多种应用领域，包括 3D 自编码器、基于单张图片的 3D 形状生成等。

    Mar, 2017

  • 基于球形卷积核的八叉树引导的 3D 点云 CNN

    本文提出了一种基于八叉树引导的神经网络结构和球形卷积核来进行任意 3D 点云的机器学习。该网络架构充分利用了不规则点云的稀疏性，并通过空间划分分层粗化数据表示。同时，该提议的球形核有系统地量化点邻域，以识别数据中的局部几何结构，同时保持平移不变性和不对称性。我们利用与空间位置相关联的网络神经元来指定球形核，从而避免了网络训练期间动态核生成，以实现高分辨率点云的高效学习，并在 3D 对象分类和分割的基准任务上取得了新的最先进状态，分别在 ShapeNet 和 RueMonge2014 数据集上。

    Feb, 2019

  • 3D 点云球形卷积神经网络

    提出了一种利用球面卷积核和八叉树空间分割的神经网络用于 3D 点云处理，该球面度量型卷积核系统地量化点周围的局部几何结构，同时具有平移不变性和不对称性。

    May, 2018

  • 面向形状的点云分析卷积神经网络

    本文提出了一种形状取向的消息传递方案 ShapeConv，结合了形状特征学习和上下文信息对基于点云的分析的贡献，并将其堆叠到分层学习体系结构 SOCNN 中以分析点云的分类和分割任务。

    Apr, 2020

  • OctNet：学习高分辨率的深度三维表示

    本文介绍了一种针对稀疏三维数据的深度学习表示方法 OctNet，通过使用一组不平衡的八叉树对空间进行分层划分，在每个叶子结点存储池化特征表征，从而实现了既有深度又有高分辨率的三维卷积网络，探究了分辨率对 3D 物体分类、方向估计和点云标记等任务的影响。

    Nov, 2016

  • 多视角卷积神经网络用于 3D 形状识别

    本研究论述了通过 CNN 架构识别单个和多个渲染图像视角的 2D 视图图集能够在 3D 物体识别方面表现出更好的性能，提出并证明 CNN 架构结合多个视角信息可提供更好的识别性能，同样适用于人手绘图的物体识别。

    May, 2015

  • 基于形状概念的深度监督算法用于考虑遮挡的三维物体分割

    本研究中，我们利用深度卷积神经网络架构在 2D 图像和 3D 空间中定位语义部件并推断它们的可见性状态，其利用合成数据和模拟的遮挡情况训练网络，并表明了其在现实图像基准测试中具有最先进的性能和有效的迁移知识。

    Dec, 2016