3D 密集预测的切线卷积
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
本研究提出一种新的卷积方式,能够直接在 3D 点云上进行计算,并利用其环形结构捕捉每个点的局部邻域几何特征,通过应用于神经网络,实现了目标分类、部件分割和语义分割等任务,并在多个标准基准数据集上取得了比同类算法更好的结果。
Apr, 2019
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
该论文提出了一种利用 3D 卷积网络进行 LiDAR 语义分割、全景分割和 3D 检测的新框架,其中采用了柱状分割和非对称 3D 卷积网络来探索 3D 几何模式,该模型在 SemanticKITTI,nuScenes 和 A2D2 上的结果均表现出最先进的性能并在分割和检测任务中显示出很好的泛化性能。
Sep, 2021
本文提出了一种新的 3D 生成建模框架,使用 2D 卷积运算从多个视角预测 3D 结构,并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状,并引入伪渲染器来合成优化的新深度图,在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。
Jun, 2017
该论文提出了一种新的框架,使用圆柱形分区和不对称 3D 卷积网络来探索 3D 几何模式,并引入点智能精炼模块以减轻损失体素标签编码的干扰;测试表明,该方法在 SemanticKITTI 和 nuScenes 数据集上超过现有方法,排名第一并且较现有方法提高了约 4%。
Nov, 2020
通过学习纬度 - 经度平面和高度方向上的可变形采样点,我们提出了新颖的卷积算子 —— 双可变形点卷积 (TDConvs),以实现自适应特征学习;在现有的流行基准测试上,实验证明我们的 TDConvs 达到了最佳的分割性能,超过现有的最先进方法。
May, 2024
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
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