ConvPoint: 基于连续卷积的点云处理
本文介绍了一种新的卷积操作 PointConv,此操作可用于处理 3D 点云并建立深度卷积神经网络,该网络具有创建非线性函数权重和密度函数的功能,实验表明,PointConv 可用于挑战性的语义分割基准测试,并在 2D 图像的结构相似情况下提供类似于卷积网络的性能。
Nov, 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
本文介绍了一种新型灵活卷积方法,及其 GPU 实现,以适应不规则的 3D 点云数据,并在百万级数据集上获得了显著提升。该方法具有较小的参数和存储需求,是首个能同时处理 700 万个点的有效方法。
Mar, 2018
本文提出了可操作非网格结构数据的一种新的可学习算子 —— 参数化连续卷积,并在室内外场景的点云分割和驾驶场景的激光雷达运动估计中实验证明,相较于现有技术有显著提升。
Jan, 2021
这篇论文提出了 PointCNN,这是一个简单且通用的框架,用于从点云中进行特征学习和卷积运算,以克服点云中的不规则性和无序性,实现对点云进行特征提取、形状信息保留和点排序。实验表明,它在多个挑战性的基准数据集和任务上实现了与最先进的方法相媲美或更好的性能。
Jan, 2018
本文提出了一种新的 Interpolated Convolution 操作,即 InterpConv,以解决点云特征学习和理解问题,进一步设计了基于 InterpConv 层的 Interpolated Convolutional Neural Networks(InterpCNNs)来处理点云识别任务,实验表明这种方法可以有效地捕捉细粒度的局部结构和全局形状的上下文信息,并在公共基准测试中取得了最先进的性能。
Aug, 2019
本文介绍了点卷积神经网络(PCNN)的框架和两个算子:扩展和限制。此外,还定义了点云卷积的概念,其具有高效性,不受各种因素的影响,并可将卷积核用于任何点云中。通过三项常见的点云学习基准测试,证明了 PCNN 方法的有效性。
Mar, 2018
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
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
Kernel Point Convolution(KPConv)是一种新的针对点云进行卷积的设计,其卷积权重位于欧几里得空间中的核点,能够适应任意数量的核点,由于其具有连续性,可以学习适应局部几何特征的形变卷积,并可用于许多复杂和简单任务的分类和分割,优于现有分类和分割方法。
Apr, 2019