CVPRMar, 2019

基于 RGBD 的维度分解残差网络用于 3D 语义场景完成

PDF
TL;DR本研究提出了一种轻量级的三维密集预测任务算法 ——Dimensional Decomposition Residual network (DDR)，该网络使用分解卷积层和多尺度融合机制来提高三维场景补全和语义分割速度和准确率，与最新的同类型算法 SSCNet 相比，我们只使用了 SSCNet 网络参数的 21%，计算量的 16.6%，但在 SC-IoU 和 SSC-IoU 上分别提升了 5.9% 和 5.7%。
3d semantic scene completiondepth and color image fusiondimensional decomposition residual network
发现论文，激发创造
  • 语义场景完成的三维门控循环融合

    本文针对语义场景完成（SSC）任务中的数据融合问题进行了研究，我们提出了一种 3D 门控递归融合网络（GRFNet），其可以自适应地选择和融合来自深度和 RGB 图像的相关信息，并借助门控和记忆模块。基于单阶段融合，我们进一步提出了一种多阶段融合策略，并在两个基准数据集上进行了广泛的实验，证明了所提出的 GRFNet 在 SSC 中的数据融合方面具有卓越的性能和有效性。

    Feb, 2020

  • 级联上下文金字塔用于全分辨率 3D 语义场景补全

    本研究提出了一种新的深度学习框架 CCNPNet，它采用级联金字塔结构模型和引导型残差细化模块，可从单张深度图像中推断出体素化 3D 场景的占用率和语义标签，并在 SUNCG 和 NYU 数据集上取得了优于现有方法的高质量 SSC 结果。

    Aug, 2019

  • 面向高效 RGB-D 语义分割的空间信息引导自适应上下文感知网络

    提出了一种有效的轻量级编码器 - 解码器网络以及其他相关模块，用于在移动机器人中进行 RGB-D 语义分割，通过跨模态相关性和补充线索可以准确提取多层次 RGB-D 特征，实验结果表明该方法在分割准确性、推理时间和参数方面具有更好的权衡。

    Aug, 2023

  • 来自单个深度图像的语义场景补全

    本文针对通过单视图深度图来获取场景的完整三维体素表示和语义标签的语义场景完成任务，提出了一种端到端三维卷积神经网络 SSCNet，该网络能够同时输出所有摄像机视图锥体中体素的占用和语义标签。SSCNet 使用基于扩张的三维上下文模块来高效地扩展感受野并进行三维上下文学习。实验结果表明，该联合模型比各自解决每个任务的方法表现更好，并且在语义场景完成任务上优于替代方法。

    Nov, 2016

  • 基于三维卷积神经网络的 RGB-D 显著性目标检测

    该研究提出了一种名为 RD3D 的深度学习模型，其采用前编码器阶段的预聚合和后解码器阶段的深层特征融合来促进 RGB 和深度流的充分融合，并在 RGB-D 显着目标检测模型方面表现优于 14 种先进模型。

    Jan, 2021

  • 基于特征融合的粗到细残差学习用于深度补全的 FCFR-Net

    提出了一种基于残差学习的端到端深度完成框架，其将深度完成分为两个阶段进行训练，即粗 - 精阶段，并利用颜色图像和粗深度图提取了表示特征和进行了能量融合操作，将 KITTI 基准下的平均 RMSE 性能提高至当前最先进技术水平以上。

    Dec, 2020

  • RedNet：用于室内 RGB-D 语义分割的残差编码器 - 解码器网络

    本文提出了一个名为 RedNet 的 RGB-D 残差编码器 - 解码器架构，用于室内 RGB-D 语义分割；该架构应用了残差模块作为基本构建块，跳跃式连接用于跨越编码器和解码器之间的空间特征。

    Jun, 2018

  • 利用色彩和深度的语义场景完整性：初步实验

    本文研究以 RGB 彩色通道提升 SSCnet 在场景补全和语义标签方面的表现

    Feb, 2018

  • 基于深度 CNN 的 RGB-D 场景识别：从零开始学习优于从 RGB-CNN 转移

    本研究利用卷积神经网络和弱监督方法，提出了一种能够在有限深度图像条件下学习具有较强区分性的深度特征，从而实现了 RGB-D 场景识别的最新成果，达到了最好的表现。

    Jan, 2018

  • 基于多模态注意力融合的 RGB - 深度图像语义分割模型

    本文提出了一种有效的编码器 - 解码器模型和基于注意力的融合模块，以集成 RGB-Depth 图像的特征，从而提高语义分割的精度和计算效率。实验结果表明，该模型在计算成本和模型大小方面大大超越了现有的最先进模型，并且在准确性方面具有良好的性能。

    Dec, 2019