Mar, 2018

H-CNN：基于空间哈希的 3D 形状分析卷积神经网络

PDF
TL;DR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。
spatial hashing3d shape analysisconvolutional neural networksgpu algorithmsmemory consumption
发现论文，激发创造
  • O-CNN: 基于八叉树的卷积神经网络用于三维形状分析

    O-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。

    Dec, 2017

  • 空间感知图像检索：一种用于高效相似哈希的超维度计算方法

    我们提出了一种创新的图像哈希方法 NeuroHash，它利用高维计算将空间信息符号编码为高维向量，从而实现空间感知有条件的图像检索。我们的方法将预训练的大型视觉模型与 HDC 操作相结合，实现了空间编码的特征表示。基于局部敏感哈希（LSH）的哈希技术确保了快速高效的图像检索，评估结果显示了图像哈希方法的新进展，提高了检索准确性。

    Apr, 2024

  • 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

  • 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 2D 卷积神经网络学习多层高度图的 3D 形状

    本文提出一种新颖的 3D 形状的全局表示方法，将其表示为多层高度图 (MLH)，通过使用 2D 卷积神经网络 (CNN)，能够高效地实现在输入分辨率上具有高内存效率，利用 MLH 描述符和多视角融合来实现在 ModelNet 数据集分类方面达到最先进的结果。

    Jul, 2018

  • 基于稀疏三维卷积神经网络的大规模形状检索

    该论文评估了 S3DCNN 在大规模 3D 形状基准 ModelNet40 上的性能，并衡量其受输入形状体素分辨率的影响，证明其在训练和推理阶段的计算成本要低得多，并提出了高分辨率输入的好处可能会受到神经网络推广高级特征能力的限制。

    Nov, 2016

  • 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

  • 一种基于空间哈希的实时场景重建的高效体网格表示

    本文提出了一种创新的框架，采用体积表示法对网格进行紧缩、更新和细化，同时采用哈希方法实现 O (1) 的访问，引入 Hamming 距离方法进一步改善三角形一致性，同时使用基于锁和无锁操作实现 GPU 并行计算，实验证明该方法在在线重建过程中能够显著减少网格内存占用且速度快。

    Mar, 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

  • 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