CVPRFeb, 2018

SPLATNet: 稀疏网格网络用于点云处理

PDF
TL;DR本文提出一种直接以高维网格中的稀疏采样点集合形式处理点云的网络架构，采用稀疏双边卷积层作为构建块，实现对网格的有效卷积计算，可以灵活地进行分层和空间感知特征学习，并且可以轻松地将基于点或基于图像的表示方法应用于网络中，实验证明本文的方法在三维分割任务中胜过现有的最先进技术。
point cloudssparse setconvolutional layers3d segmentationstate-of-the-art
发现论文，激发创造
  • LatticeNet: 基于排列菱格的快速点云分割

    本文提出了一种名为 LatticeNet 的使用 PointNet 和稀疏排列共同完成快速卷积的 3D 语义分割方法，通过使用 DeformSlice 将格子特征反投影到点云使得模型在多个数据集上达到了 SOTA 结果。

    Dec, 2019

  • 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

  • 稀疏 3D 卷积神经网络

    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

  • 使用稀疏点 - 体卷积搜索高效的 3D 架构

    提出了一种轻量级的 Sparse Point-Voxel Convolution 模块作为基础，通过基于 SPVConv 的灵活体系结构设计空间，实现了 3D Neural Architecture Search 以搜索高效而有效的网络体系结构，并将该方法应用于自动驾驶和 3D 目标检测领域，取得了较好的实验结果。

    Jul, 2020

  • 基于 CUDA 的稀疏卷积在 GPU 上的三维点云优化

    近年来，深度学习方法的利用显著增加，尤其是卷积神经网络（CNNs），已成为涉及结构化网格数据的各个领域，如图片分析和处理中的主要方法。然而，在许多领域中，激光雷达和 3D 传感器的指数增长导致了对 3D 点云分析的增加需求。与照片不同，点云呈现稀疏性且缺乏规则网格，因此存在着不同的处理和计算问题，这对于包括物体识别在内的各种应用非常关键。

    Feb, 2024

  • 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

  • 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

  • Permutohedral Lattice CNNs

    本文提出了一种卷积层，能够处理稀疏的输入特征。它利用 Permiutohedral 网格数据结构实现了一个波透镜卷积算法，从而使得卷积神经网络具有更广泛的应用场景。

    Dec, 2014

  • 使用子流形稀疏卷积网络进行 3D 语义分割

    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

  • Robust 结构化声明性分类器用于 3D 点云：利用隐式梯度抵御对抗攻击

    本文提出了基于结构化稀疏编码和卷积神经网络的 Lattice Point Classifier（LPC）方案，该方案通过内部约束优化机制来有效抵御对 3D 点云分类器的不良攻击，并在不同攻击者下实现了最先进的鲁棒 3D 点云分类性能。

    Mar, 2022