Aug, 2018

PVNet: 一种基于点云和多视图的联合卷积网络用于三维形状识别

PDF
TL;DR本文介绍了一个新的 3D 形状识别框架：Point-View Network（PVNet），该框架整合了点云和多视角数据，并利用深度学习和嵌入式注意融合方案提高了 3D 形状的准确识别。
3d object recognitiondeep learningpoint cloudmulti-view datapvnet
发现论文，激发创造
  • PVRNet: 基于点 - 视角关系的神经网络用于 3D 形状识别

    本文介绍 Point-View Relation Network (PVRNet)，一种有效的网络模型，来融合点云和多视角数据的特征，从而提取出一个统一的表示，用于三维形状的分类和检索，实验结果显示，和现有模型相比有了显著的性能提升。

    Dec, 2018

  • 多视点 PointNet 用于 3D 场景理解

    本文介绍了 MVPNet 模型，该模型使用视图选择和 2D-3D 特征聚合模块将 2D 多视图图像特征汇集到 3D 点云中，并使用基于点的网络将 3D 规范空间中的特征融合以预测 3D 语义标签。该方法在 3D 语义分割任务上，优于以前的点云方法，并且训练速度比稀疏体素方法的大型网络快得多。

    Sep, 2019

  • 多视图视觉提示融合网络：2D 预训练模型能否增强 3D 点云数据稀缺学习？

    本研究提出了一个新的多视图视觉提示融合网络 (MvNet)，通过利用现成的 2D 预训练模型实现 few-shot 3D 点云分类，实现了 3D few-shot 点云图像分类的最新性能。

    Apr, 2023

  • MVPNet：用于从单张图像重建三维物体的多视图点回归网络

    该论文提出了一种基于点云的物体表面重建方法，使用编码器 - 解码器网络通过单张图片生成多种视角下的点云，并且使用几何损失函数提高表面拟合准确性。

    Nov, 2018

  • Voint 云：用于三维理解的多视点云表示

    本文介绍了一种名为 Voint Cloud 的新型三维点云表示方法，该方法将多视角方法的视角感知能力与三维点云紧凑性相结合，利用 VointNet 进行学习，取得了在各项基准测试上的最佳表现。

    Nov, 2021

  • PV-RCNN: 用于 3D 物体检测的点 - 体素特征集抽象

    提出了一种名为 PointVoxel-RCNN（PV-RCNN）的 3D 物体检测框架，可以使用点云实现准确的物体检测，使用了 3D voxel 卷积神经网络和基于 PointNet 的集合抽象相结合的方法深度学习了更具有区分性的点云特征，并使用 RoI-grid 池化方法编码具有可比性的特征从而实现了更准确的 3D 检测效果。

    Dec, 2019

  • SCA-PVNet：自我与交叉注意力的点云和多视图聚合用于 3D 对象检索

    我们提出了基于点云和多视角图像的自我和交叉注意力聚合方法 (SCA-PVNet) 来进行三维目标检索，通过设计两种特征聚合模块（即 In-Modality Aggregation Module (IMAM) 和 Cross-Modality Aggregation Module (CMAM)），通过自我和交叉注意力机制有效地融合多视角特征和点云特征，从而获得目标检索的最终描述符。我们在从小到大范围的三个数据集上进行了大量实验和分析，证明了提出的 SCA-PVNet 方法在三维目标检索领域的卓越性能。

    Jul, 2023

  • RPVNet：一种基于深度和效率的点云激光雷达范围 - 点 - 体素融合网络，用于点云分割

    提出了一种基于点云、体素和全景图形的融合网络 (RPVNet) 来进行细粒度分割定位任务，在深度融合框架中，利用多个互补图形视角之间的信息交互，采用门控融合模块，提出了高效的 RPV 交互机制，并在两个大规模数据集 SemanticKITTI 和 nuScenes 上展示了该方法的先进性。该方法目前在 SemanticKITTI 排行榜上排名第一，没有任何额外技巧。

    Mar, 2021

  • PointNet：基于点集的深度学习用于三维分类和分割

    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

  • MVTN：用于三维形状识别的多视角转换网络

    本文介绍了一种基于多角度变换的深度学习网络架构，通过改变视角，以使得机器在 3D 形状识别任务中取得更好的性能。该网络框架在静态视角方法的基础上，实现了自适应动态视角模式，将深度学习与可微渲染技术相结合，并在三个公开数据集上取得了较高的识别精度。

    Nov, 2020