PointConv:3D点云上的深度卷积网络
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
该论文提出了一种新的神经网络模块EdgeConv,用于处理点云数据的图形分类和分割任务,它在每个层动态计算出图形,具有可堆叠和可微性等优点,并通过一些标准基准测试展示了优异性能。
Jan, 2018
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
本文提出了一种名为Geo-CNN的算法,通过将点和其局部邻域应用一种称为GeoConv的通用卷积操作来捕捉点云中局部几何关系,并在特征提取过程中保留点云的几何结构,实现了在ModelNet40和KITTI数据集上的最先进性能。
Nov, 2018
本研究提出了一种点关注网络,它可以在对3D点云进行语义分割时学习丰富的本地形状特征和上下文相关性,并代替传统卷积核或参数共享机制来更有效地处理稀疏的3D点云。实验表明,该算法能够与现有的最先进方法同等或更好地处理各种3D点云。
Sep, 2019
引入了Position Adaptive Convolution (PAConv)算法,该算法通过使用ScoreNet从点位置自适应学习基础权重矩阵,并动态组装构建卷积核,从而实现更好处理不规则和无序点云数据的能力,在不改变网络配置的情况下将其集成到传统的基于多层感知器的点云管道中。
Mar, 2021
本文提出了Adaptive Graph Convolution (AdaptConv)来生成自适应的核,以动态地学习点云的特征,从而以灵活、精确地捕捉不同语义部分点之间的多样关系的方式,改善了基于点云的卷积操作的适应能力,并且在几个基准数据集上表现优于当前最先进的点云分类和分割方法。
Aug, 2021
本文提出一种简单且有效的卷积算子,通过设计强大的旋转不变特征来增强特征描绘能力,实现旋转不变性,并在真实和合成的点云分类、部分分割和形状检索实验中取得了挑战性旋转下的最先进精度。
Feb, 2022