CVPRFeb, 2019

基于球形卷积核的八叉树引导的 3D 点云 CNN

PDF
TL;DR本文提出了一种基于八叉树引导的神经网络结构和球形卷积核来进行任意 3D 点云的机器学习。该网络架构充分利用了不规则点云的稀疏性，并通过空间划分分层粗化数据表示。同时，该提议的球形核有系统地量化点邻域，以识别数据中的局部几何结构，同时保持平移不变性和不对称性。我们利用与空间位置相关联的网络神经元来指定球形核，从而避免了网络训练期间动态核生成，以实现高分辨率点云的高效学习，并在 3D 对象分类和分割的基准任务上取得了新的最先进状态，分别在 ShapeNet 和 RueMonge2014 数据集上。
发现论文，激发创造
  • 3D 点云球形卷积神经网络

    提出了一种利用球面卷积核和八叉树空间分割的神经网络用于 3D 点云处理，该球面度量型卷积核系统地量化点周围的局部几何结构，同时具有平移不变性和不对称性。

    May, 2018

  • 基于球形核的三维点云图卷积的高效实现

    本文提出了一种球形卷积核，用于高效图形卷积处理 3D 点云数据，应用于图形神经网络中，实现点云分类和语义分割。

    Sep, 2019

  • 可操纵的 3D 球形神经元

    该论文提出了一种可定向前馈的学习方法，利用球面神经元对点云进行分类，得到具有旋转等变性的滤波器组建网络，利用三角形基础来推导滤波器并构建旋转等变性的球形滤波器组。

    Jun, 2021

  • 具有球谐核的有效旋转不变点 CNN

    本研究提出了一种新的旋转不变结构，可用于操作点云数据以及在神经网络的各个层级中注入了旋转不变性。采用基于球谐函数的核心技术，实现对非刚体物体的局部旋转与整体转型的旋转不变性，并采用空间分区结构进行更高效的汇聚操作，进而最终，在不需要采用数据增广的前提下，成功地通过分类和分割任务对具有挑战性的形状数据进行了高精度的处理。

    Jun, 2019

  • 基于图的点云学习的多核扩散 CNNs

    本研究提出一种新的架构设计，结合了旋转和拓扑不变的图扩散算子和 1x1 卷积的逐点特征学习，从而有效地在不规则图形上传播特征并提高 3D 点云的特征提取和语义分类精度。

    Sep, 2018

  • 基于图卷积核的三维点云物体检测

    该研究提出了一种基于 2D 透视范围图像的卷积神经网络架构方法，可用于直接从范围图像视图学习 3D 表示。通过利用本地几何和跨模态融合处理，该方法在行人检测方面的 AP 从 69.7％提高到 75.5％，同时模型参数和操作速度均表现良好。

    Jun, 2021

  • 球面截锥稀疏卷积网络用于 LiDAR 点云语义分割

    通过引入球体金字塔结构和基于哈希的表示，本文提出了一种新颖的 Spherical Frustum sparse Convolution Network (SFCNet) 方法，实现了 LiDAR 点云的语义分割，避免了量化信息损失。

    Nov, 2023

  • SpiderCNN：使用参数卷积滤波器对点集进行深度学习

    本文提出一种新的卷积神经网络架构，名为 SpiderCNN，可用于提取点云中的几何特征。该架构采用称为 SpiderConv 的单元，通过对一组卷积滤波器进行参数化并将其扩展到不规则点集上，从而扩展了传统卷积操作的范围，并可用于不具有规则底层结构的域。我们的实验证明，SpiderCNN 在标准基准测试上的准确率为 92.4％，并且在分割任务上具有竞争性的性能。

    Mar, 2018

  • 点云上的环形卷积神经网络 A-CNN

    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

  • 使用球形 CNN 学习 SO (3) 等变表示

    论文提出通过多值球面函数和在球谐域中实现球面上的准确卷积来解决 3D 卷积神经网络中的 3D 旋转等变性问题，进而提供了一种局部对称且通过平滑的频谱实现本地化滤波器的方法，同时还实现了一种用于谱域的新型池化技术，这些操作使得网络不需要过多的容量和数据增强即可在标准检索和分类基准测试中与现有的最先进性能相当。

    Nov, 2017