GeoNet: 基于深度测地线网络的点云分析
本文提出了一种基于深度神经网络的方法 PUGeo-Net 用于处理点云密集化,从而描述底层几何结构,不仅可用于 CAD 模型的尖锐特征,也可用于具有丰富几何细节的扫描模型,同时实现了生成定点坐标和该点法线并存的任务。
Feb, 2020
PointeNet 是一种专门用于点云分析的高效网络,通过轻量级的架构、低训练成本和即插即用功能,有效捕捉代表性特征,并在分类 / 分割头或嵌入到现成的 3D 物体检测网络中实现了明显的性能改进,尤其适用于自动驾驶等实际场景。
Dec, 2023
本论文提出了一种基于局部图表示的点云学习框架,通过学习内部的三维几何特征并使用基于图卷积网络的特征提取网络来实现三维变换不变性,这种方法在分类和分割任务中取得了最先进的性能和有竞争力的性能,具有重要的研究意义。
Dec, 2018
本文提出了 Geometry Sharing Network (GS-Net) 解决了近几年对于使用深度卷积神经网络对 3D 点云进行分类时,如何处理数据的几何变换问题,实验结果表明 GS-Net 可以提高软件对于这些变换的鲁棒性。
Dec, 2019
本文提出一个新的几何神经网络 GeoNet++,用于从单张图像中联合预测深度和表面法向图,并通过边缘感知提升预测质量。此网络可用于其他深度 / 法向预测框架中,提高了在 3D 重建应用领域的预测质量和像素级精度,并提出了高质量 3D 表面深度预测的新几何度量。
Dec, 2020
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
使用几何 - 体素辅助学习的方法,通过提供对多传感器点云的附加解释,使得体素表示可以获取点级几何信息,并支持体素骨干在多传感器点云上更好的泛化能力。我们的方法在联合多传感器数据集上表现出色,超越了其他模型,并在每个单一数据集上与现有的专家方法取得了竞争性结果。
Mar, 2024
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
融合几何特征和深度学习网络的立面级别点云分类方法提高了深度学习方法的性能,可以用来补偿深度学习网络在捕捉局部几何信息方面的能力,并推动语义分割的进展。
Feb, 2024