Mesh R-CNN
本文介绍了使用针对三角网格而设计的卷积神经网络 MeshCNN 直接分析 3D 形状的方法,演示了任务驱动池化在应用于 3D 网格的各种学习任务中的有效性。
Sep, 2018
本文提出了一种基于 CAD 模型的方法,结合现有的大规模三维模型数据集,构建了一种可以检测现实世界图像中物体的 CAD 模型表示方法,并且证明了与现有技术相比,该方法在真实世界图像中有着优势。
Jul, 2020
本文提出了一种基于图卷积神经网络的端到端深度学习架构,从单个彩色图像中生成三角网格的 3D 形状,并采用粗到细的策略、不同级别的网格相关损失来保证生成的几何形状具有良好的视觉效果和物理精度。
Apr, 2018
Shift R-CNN 是一种用于单目 3D 物体检测的混合模型,结合了深度学习和几何优势,利用几何约束的深度学习方法在 KITTI 3D Object Detection Benchmark 上取得了最佳结果。
May, 2019
该研究提出了一种基于深度神经网络和形态感知的三维目标检测方法,利用二维关键点和对应的三维坐标以及二维 / 三维的几何约束提高检测性能,并在公共数据集 KITTI 上实现了最新的性能。
Aug, 2021
本研究提出了一种名为 MeshNet 的 Mesh 神经网络,用于从 Mesh 数据中学习 3D 形状表达,并应用于 3D 形状分类和检索任务,并通过与其他方法的比较,证明了该方法的有效性。
Nov, 2018
该论文提出了一种从单张图像中推断物体的 3D 形状和姿态的学习方法,利用无定型图像集的分割输出进行监督,并采用体素表示和网格化表示相结合的方式进行形状 - 姿态分解和实例重建。
Feb, 2021
本文提出了一种名为 Graph R-CNN 的二阶段三维目标检测器,它使用动态点聚合、RoI-graph 池化和视觉特征增强等方法,解决了现有二阶段三维目标检测器处理不均匀分布和稀疏室外点时的效率问题,并在 KITTI 和 Waymo Open Dataset 上大幅优于现有模型。
Aug, 2022
本研究提出了一种实时形状预测的网络,通过使用去噪卷积自编码器来建立一个嵌入空间,并将解码器置于快速端到端网络之后,直接回归到编码后的形状向量。该网络在实现更高阶形状推理的同时,能够对类别的泛化性进行处理。
Nov, 2016
本文提出了一种基于体素的框架 ——Voxel R-CNN,通过从体素特征中提取 RoI 特征,实现与最先进的基于点的模型相当的检测准确度,但计算成本只有一小部分,并在 KITTI 数据集上实现了更高的检测准确度和实时图像处理速率。
Dec, 2020