点云上的环形卷积神经网络 A-CNN
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框架,使用圆柱形分区和不对称 3D 卷积网络来探索 3D 几何模式,并引入点智能精炼模块以减轻损失体素标签编码的干扰;测试表明,该方法在 SemanticKITTI 和 nuScenes 数据集上超过现有方法,排名第一并且较现有方法提高了约 4%。
Nov, 2020
该论文提出了一种利用 3D 卷积网络进行 LiDAR 语义分割、全景分割和 3D 检测的新框架,其中采用了柱状分割和非对称 3D 卷积网络来探索 3D 几何模式,该模型在 SemanticKITTI,nuScenes 和 A2D2 上的结果均表现出最先进的性能并在分割和检测任务中显示出很好的泛化性能。
Sep, 2021
本文提出通过替换离散卷积核为连续卷积核,将离散卷积神经网络 (CNN) 泛化为处理点云的神经网络的方法,实验结果表明其在形状分类、部分分割和语义分割方面与现有方法相比具有竞争力。
Apr, 2019
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
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
本文提出了一种形状取向的消息传递方案 ShapeConv,结合了形状特征学习和上下文信息对基于点云的分析的贡献,并将其堆叠到分层学习体系结构 SOCNN 中以分析点云的分类和分割任务。
Apr, 2020
使用新型卷积网络(tangent convolutions)进行语义场景分析,在室内和室外 3D 环境中的实验结果表明,该方法比其他深度网络构成在大型 3D 场景的详细分析中表现更好。
Jul, 2018