多尺度体素深度网络对点云场景的分类
本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络,其中核心是点卷积,这是一种可以在点云的每个点上应用的新型卷积算子,并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。
Dec, 2017
本文提出了一种基于 2D-CNN 和多模态网络架构的点云语义分割方法,将点云数据投影到 2D 平面,避免了 3D-CNN 方法中立方体体素化降低空间分辨率和增加内存消耗的限制,并在 Semantic3D 数据集上达到了相对增益 7.9%的最新最佳结果。
May, 2017
本文介绍了一个新的 3D 点云分类基准数据集,其中包含超过 40 亿个手动标记的点,用于数据密集型的(深度)学习方法。使用深度卷积神经网络(CNNs)作为工作马的初始提交已经显示出相对于现有技术具有显著的性能改进。我们提供了基线方法描述和通过我们的在线系统提交方法之间的比较。我们希望 Semantic3D.net 能够为 3D 点云标注中的深度学习方法铺平道路。
Apr, 2017
本文提出了一种基于多层体素网格的端到端多级学习方法来解决现有 3D 目标识别中结构化和非结构化数据表示的缺陷,结果表明该方法在节约内存的同时能够实现与密集体素表示相当的目标识别性能。
May, 2018
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
本文提出了一种称为 Point-Voxel CNN(PVCNN)的算法,其使用点的形式来表示三维输入数据以减少内存消耗,并通过使用体素来执行卷积以提高效率。该算法在语义分割数据集上实现了比基线模型更高的准确性,同时还在速度上超过了最先进的基于点的模型。
Jul, 2019
本文介绍了一种基于球形邻域和比例子采样的多尺度邻域的新定义,它允许计算具有一致几何意义的特征,相对于 k 最近邻,其分类性能更好,并且与深度学习方法相比具有竞争力。
Aug, 2018
本文介绍了使用一维全卷积网络对点云数据进行语义标记的方法,该方法直接分析经过地形归一化后的点,并结合光谱数据以学习上下文特征。我们的方法不需要手动提取特征,且在多个方面上比传统方法表现更优越,其中包括利用 ISPRS 3D 语义标注竞赛数据获得了 81.6% 的准确率,F1 分数比最高准确率方法高 1.69%。此外,本文还展示了该方法可轻松扩展到 2D 语义分割任务。
Oct, 2017
本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法,用于 3D 点云分类,同时在 ISPRS 3D 标注基准上实现了新的最优性能。
Oct, 2019