NIPSJan, 2018

PointCNN：点云转换下的卷积

PDF
TL;DR这篇论文提出了 PointCNN，这是一个简单且通用的框架，用于从点云中进行特征学习和卷积运算，以克服点云中的不规则性和无序性，实现对点云进行特征提取、形状信息保留和点排序。实验表明，它在多个挑战性的基准数据集和任务上实现了与最先进的方法相媲美或更好的性能。
发现论文，激发创造
  • ConvPoint: 基于连续卷积的点云处理

    本文提出通过替换离散卷积核为连续卷积核，将离散卷积神经网络 (CNN) 泛化为处理点云的神经网络的方法，实验结果表明其在形状分类、部分分割和语义分割方面与现有方法相比具有竞争力。

    Apr, 2019

  • PointConv：3D 点云上的深度卷积网络

    本文介绍了一种新的卷积操作 PointConv，此操作可用于处理 3D 点云并建立深度卷积神经网络，该网络具有创建非线性函数权重和密度函数的功能，实验表明，PointConv 可用于挑战性的语义分割基准测试，并在 2D 图像的结构相似情况下提供类似于卷积网络的性能。

    Nov, 2018

  • 用于三维点云理解的插值卷积网络

    本文提出了一种新的 Interpolated Convolution 操作，即 InterpConv，以解决点云特征学习和理解问题，进一步设计了基于 InterpConv 层的 Interpolated Convolutional Neural Networks（InterpCNNs）来处理点云识别任务，实验表明这种方法可以有效地捕捉细粒度的局部结构和全局形状的上下文信息，并在公共基准测试中取得了最先进的性能。

    Aug, 2019

  • 全局上下文感知卷积用于三维点云理解

    本文提出了一种新型的卷积操作符，通过将全局上下文信息与卷积融合，增强了点云数据中特征的区分度，从而解决了旋转不变性卷积的性能问题，并在多项点云任务中实现了最先进的结果。

    Aug, 2020

  • 通过扩展算子的点卷积神经网络

    本文介绍了点卷积神经网络（PCNN）的框架和两个算子：扩展和限制。此外，还定义了点云卷积的概念，其具有高效性，不受各种因素的影响，并可将卷积核用于任何点云中。通过三项常见的点云学习基准测试，证明了 PCNN 方法的有效性。

    Mar, 2018

  • Flex-Convolution （百万级点云学习：超越网格世界）

    本文介绍了一种新型灵活卷积方法，及其 GPU 实现，以适应不规则的 3D 点云数据，并在百万级数据集上获得了显著提升。该方法具有较小的参数和存储需求，是首个能同时处理 700 万个点的有效方法。

    Mar, 2018

  • 基于点云学习的动态图卷积神经网络

    该论文提出了一种新的神经网络模块 EdgeConv，用于处理点云数据的图形分类和分割任务，它在每个层动态计算出图形，具有可堆叠和可微性等优点，并通过一些标准基准测试展示了优异性能。

    Jan, 2018

  • 大规模点云的全卷积点网络

    提出了一种用于处理大规模 3D 数据的一般用途的全卷积网络，具有内部将无组织的点云转换为有序结构以通过 3D 卷积处理的能力，可用于许多 3D 任务的通用点云描述符。在语义体素分割，语义部分分割和 3D 场景字幕数据集上进行了评估。

    Aug, 2018

  • 基于图的点云学习的多核扩散 CNNs

    本研究提出一种新的架构设计，结合了旋转和拓扑不变的图扩散算子和 1x1 卷积的逐点特征学习，从而有效地在不规则图形上传播特征并提高 3D 点云的特征提取和语义分类精度。

    Sep, 2018

  • 3D 点云旋转不变卷积深度学习

    本文提出了一种新型的点云卷积运算符，实现了旋转不变性，通过使用旋转不变的几何特征设计点云学习的卷积运算符，解决了点排序问题，并将其作为神经网络的基本构建块，能在 6 自由度变换下具有稳健性，在物体分类和分割等任务中表现出高精度。

    Aug, 2019