Mar, 2018

Flex-Convolution （百万级点云学习：超越网格世界）

PDF
TL;DR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。
convolution layers3d point cloudsflex-convolutiongpu implementationmillion-scale dataset
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

  • 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

  • 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

  • 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

  • 蒙特卡罗卷积用于不均匀采样点云学习

    本文提出了一种有效的深度学习方法，可用于非均匀采样的点云，通过将卷积核本身表示为多层感知机，将卷积视为蒙特卡罗积分问题，使用匹配多级采样的信息，并使用泊松盘采样进行点云学习。 最终，作者通过在分级网络架构中应用该方法，赢得了大多数基于点云的任务的最佳成绩，并且本方法具有强大的鲁棒性。

    Jun, 2018

  • PointCNN：点云转换下的卷积

    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。

    Jan, 2018

  • 点云分析的自适应图卷积

    本文提出了 Adaptive Graph Convolution (AdaptConv) 来生成自适应的核，以动态地学习点云的特征，从而以灵活、精确地捕捉不同语义部分点之间的多样关系的方式，改善了基于点云的卷积操作的适应能力，并且在几个基准数据集上表现优于当前最先进的点云分类和分割方法。

    Aug, 2021

  • 高效点云处理的学习网格化

    通过可学习的网格化处理将点云数据转化为紧凑、规则的网格，解决了点云方法在规模可扩展性上的问题，使得后续层能够使用更好扩展的操作，在时间和内存消耗上表现更佳且能获得有竞争力的结果。

    Jul, 2023

  • 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

  • KPConv：用于点云的灵活可变形卷积

    Kernel Point Convolution（KPConv）是一种新的针对点云进行卷积的设计，其卷积权重位于欧几里得空间中的核点，能够适应任意数量的核点，由于其具有连续性，可以学习适应局部几何特征的形变卷积，并可用于许多复杂和简单任务的分类和分割，优于现有分类和分割方法。

    Apr, 2019