Jun, 2018

蒙特卡罗卷积用于不均匀采样点云学习

PDF
TL;DR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。
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

  • Flex-Convolution （百万级点云学习：超越网格世界）

    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。

    Mar, 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

  • 深度卷积在非规则采样时间点云中的应用

    本论文提出了一种使用深度学习模型对不规则采样的连续空间时间过程进行直接学习和预测的方法，并验证了该模型在真实天气数据和星际争霸 II 中的有效性。

    May, 2021

  • 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

  • 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

  • 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

  • 点卷积神经网络

    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

  • 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

  • 通过扩展算子的点卷积神经网络

    本文介绍了点卷积神经网络（PCNN）的框架和两个算子：扩展和限制。此外，还定义了点云卷积的概念，其具有高效性，不受各种因素的影响，并可将卷积核用于任何点云中。通过三项常见的点云学习基准测试，证明了 PCNN 方法的有效性。

    Mar, 2018