CVPRMar, 2018

SO-Net：用于点云分析的自组织网络

PDF
TL;DR本文介绍了 SO-Net，它是一种适用于无序点云的置换不变性架构，通过建立自组织映射（SOM）建模点云的空间分布，通过对点和 SOM 节点进行分层特征提取，最终将输入点云表示为单个特征向量。网络的感受野可以通过点到节点 k 近邻搜索进行系统调整， 在点云重建、分类、对象部分分割和形状检索等识别任务中，我们提出的网络表现出与最先进的方法相似或更好的性能。此外，由于所提出的架构的可并行性和简单性，训练速度显著快于现有点云识别网络。
发现论文，激发创造
  • SOE-Net：一种用于基于点云的场所识别的自注意力和方向编码网络

    介绍了一种基于自注意力和定向编码网络的点云数据识别方法，通过采用 Hard Positive Hard Negative 四元组损失函数和采样方法，取得优于现有方法的性能表现。

    Nov, 2020

  • 一种确定性自组织映射方法及其在基于卫星数据的云类型分类中的应用

    本篇研究探讨了一种补充标准自组织映射的确定性方法，并通过卫星云数据的实验结果，展示了这种方法在数据组织和简化方面的有效性和高效性。

    Aug, 2018

  • 非欧几里得自组织映射

    本文提出了一种应用于非欧式几何的 SOM 算法，其拓扑相关扩展改善了传统 SOM 算法，可用于维度约简、聚类或在大数据中寻找相似性。

    Sep, 2021

  • SE-ORNet：自我集成方向感知网络，用于无监督点云形状对应

    提出一种自我集成的有方向性网络 (称为 SE-ORNet)，用于解决无监督点云形状对应的难题，能够对齐点云对的方向，有效减轻对称部分的误差预测，同时还采用了自我集成框架，通过数据增强和预测一致性的约束，克服了点云噪声的干扰，实验结果表明，该方法能够超过现有的无监督点云形状对应方法。

    Apr, 2023

  • GeoNet: 基于深度测地线网络的点云分析

    GeoNet 是第一个深度学习结构用于对点云表达的曲面的内在结构建模，通过使用 GeoNet 与 PU-Net 和 PointNet ++ 等基线或骨干网络的融合方案来改善多个代表性任务的现有方法，包括点上采样、法向量估计、网格重建和非刚性形状分类。

    Jan, 2019

  • PointNet：基于点集的深度学习用于三维分类和分割

    本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

    Dec, 2016

  • MortonNet：3D 点云中本地特征的自监督学习

    该论文提出了一种自我监督的点云任务，使用 MortonNet 网络直接在无序的点云上进行操作，预测序列中下一个点，生成的 Morton feature 对于 3D 分割等任务具有很好的性能，并在不同的数据集上都有良好的泛化性能。

    Mar, 2019

  • 自组织点云

    本文提出了自我监督的点排序方法，利用一种新颖的可区分积分和层次对比方案学习点排序，构造了首个端到端可训练的网络，在多个数据集和任务上取得了优于监督排序方法的结果，包括对未见类别点云的零样本排序。

    Apr, 2023

  • 稠密分辨率点云分类和分割网络

    本文介绍了一种名为 DRNet 的基于不同分辨率学习点云本地特征的网络，并提出了一种局部邻域搜索的新型分组方法和用于捕获局部特征的误差最小化模块，该网络在 ModelNet40，ShapeNet 合成和 ScanObjectNN 真实点云数据集上显示出优越性能。

    May, 2020

  • SPU-Net: 自投影优化的自监督点云粗到精重构上采样

    提出了一种自监督的点云上采样方法 SPU-Net，该方法利用深度学习模型和 GCN 捕获点云上采样的内在模式，具有解决真实数据稀疏问题的能力。实验表明，该方法与现有的监督方法相比具有可比性能。

    Dec, 2020