3DFeat-Net: 基于弱监督的点云局部 3D 特征匹配
本文提出了一种新型实用的学习机制,利用三维全卷积网络,旨在稠密地预测每个三维点的检测分数和描述特征,并通过自监督的检测器损失,在训练过程中指导即兴的特征匹配结果。最后,我们的方法在 3DMatch 和 KITTI 数据集的室内和室外场景中,均取得了最先进的结果,并在 ETH 数据集上展现了其强大的概括能力,为实现准确快速的点云对其,提出了一种可靠的特征检测器。
Mar, 2020
本文提出 VS3D,一个从点云中弱监督学习的 3D 目标检测框架,其中引入了无监督的 3D proposal 模块和跨模态知识蒸馏策略,在 KITTI 数据集上取得了优异的性能。
Jul, 2020
本文提出了一种用于 3D 物体检测的弱监督点云变换器框架,旨在降低对训练所需监督的数量,以减少对 3D 数据集进行注释的高成本,通过使用投票网络选择高质量的预设锚点,将信息提炼到学生网络和教师网络。
Sep, 2023
WSDesc 是一种在弱监督下学习 3D 局部描述符的新方法,通过学习最佳支持来优化体素化中的局部支持大小,并采用基于偏离刚性的新型配准损失来训练提取的描述符,其在现有的几何配准基准测试中均表现良好。
Aug, 2021
本文提出一种基于弱监督学习的 3D 物体检测方法,只需要少量弱标记场景和少量精确标记的物体实例来训练,而且使用该方法训练的模型可以作为 3D 物体注释器使用,并显示出提高性能的潜力。
Jul, 2020
本研究提出了一种利用弱标签预测三维点云中点级结果的方法,使用分类网络训练生成伪点级标签,再使用点级伪标签以全监督方式训练点云分割网络,实验结果在 ScanNet 数据集上证明了该方法的有效性。
Mar, 2020
提出了一种基于图结构和神经网络的方法,能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性,此方法在模型识别与检索任务方面,其性能可显著提高。
Feb, 2020
本文提出 PPFNet——Point Pair Feature 网络,用于深度学习全局细节感知的三维局部特征描述符,以在无组织的点云中找到对应点。通过在纯几何图形上学习本地描述符,并高度关注全局上下文,实现 3D 表示为点对特征及局部邻域内的点和法向量的组合,并使用新型 N-tuple loss 和架构将全局信息自然地注入本地描述符中,实现量化和定性评价,证明了上述方法在 3D 描述符提取性能中的作用。
Feb, 2018
本研究提出了一种名为 2D3D-MatchNet 的深度网络结构,能够直接从图像和点云中的 2D 和 3D 关键点描述符中匹配和建立 2D-3D 对应关系,并用于视觉位姿估计,结果表明该方法是可行的。
Apr, 2019
通过优化映射高维直方图到低维欧氏空间的深度网络,学习代表无序点云中点周围局部几何的特征,其表现出比现有局部特征更高的精度、紧凑性和鲁棒性,可在机器人和三维视觉的不同应用中进行几何配准。
Sep, 2017