Aug, 2019

重新审视点云分类：一个新的基准数据集和基于真实世界数据的分类模型

HTML
PDF
TL;DR本文研究基于点云数据的深度学习技术在解决三维计算机视觉领域中的经典问题方面的应用。作者介绍了 ScanObjectNN 数据集并展示了其对于点云对象分类问题的挑战性，提出了三个关键的挑战问题，并提出了一些解决方案，最终实现了在背景杂乱的情况下对于点云对象的分类，达到了最佳效果。
发现论文，激发创造
  • PointNet：基于点集的深度学习用于三维分类和分割

    本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

    Dec, 2016

  • Semantic3D.net：一个新的大规模点云分类基准

    本文介绍了一个新的3D点云分类基准数据集，其中包含超过40亿个手动标记的点，用于数据密集型的（深度）学习方法。使用深度卷积神经网络（CNNs）作为工作马的初始提交已经显示出相对于现有技术具有显著的性能改进。我们提供了基线方法描述和通过我们的在线系统提交方法之间的比较。我们希望Semantic3D.net能够为3D点云标注中的深度学习方法铺平道路。

    Apr, 2017

  • 点卷积神经网络

    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

  • 3D点云的深度学习：概述

    本文综述了近期 point cloud learning 领域深度学习方法在 3D 形状分类、3D 物体检测与跟踪、3D 点云分割三大任务中的最新进展及其对公共数据集的比较结果，并提出了可启发未来研究的深刻见解和方向。

    Dec, 2019

  • 使用简单有效的基准方法重新考虑点云形状分类

    本文研究了处理点云数据的关键因素，发现诸如评估方案、数据增强策略和损失函数等辅助因素对性能产生了巨大影响，而SimpleView和PointNet++在一些基准测试中表现出色。

    Jun, 2021

  • 自监督学习用于预训练3D点云：综述

    本研究综述了使用深度神经网络实现无监督点云表示学习的方法，解决在人工标注数据量有限的问题。研究挖掘了常用数据集和评估指标，提出了基于这些技术的自监督点云表示学习方法的广泛应用，并指出未来可能面临的挑战和潜在问题。

    May, 2023

  • 基于三维点云数据的三维对象和场景的分类、识别、分割和重构：综述

    本文综述了现有的三维点云分析技术及其算法、应用场景和目标，介绍了使用的数据集和评估指标，并比较了现有解决方案的性能，最后分析了当前技术面临的挑战和吸引人们注意的未来趋势。

    Jun, 2023

  • 基于聚类的点云表示学习用于三维分析

    基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种3D网络架构上表现出明显的改进，并在知名点云分割数据集和3D检测中显示出实用性。

    Jul, 2023

  • 基于深度学习的三维点云分类：系统调查与展望

    该论文介绍了点云的获取、特点和挑战，回顾了点云分类的3D数据表示、存储格式和常用数据集，总结了基于深度学习的点云分类方法，并对最新研究进展进行了补充，对主要方法的性能进行了比较和分析，并讨论了点云分类面临的一些挑战和未来方向。

    Nov, 2023

  • ModelNet-O：一个适用于遮挡感知点云分类的大规模合成数据集

    通过模拟真实世界中因单目摄像头扫描而导致的自遮挡，我们提出了一种名为PointMLS的鲁棒点云处理方法，通过ModelNet-O数据集的实验结果证明了该方法在点云分类中取得了最先进的结果，并且在常规数据集上取得了有竞争力的结果，而且具有鲁棒性和有效性。

    Jan, 2024