ICCVAug, 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

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。
deep learningpoint cloud dataobject classificationreal-world settingsscanobjectnn
发现论文，激发创造
  • 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

  • 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

  • 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

  • 深度学习技术在三维点云分类和语义分割中的综述

    本研究综述了深度学习在点云处理中的最新进展、挑战和潜在研究方向，重点关注点云分析中的 3D 形状分类和语义分割两个主要任务。

    May, 2024

  • 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

  • 常见三维物体：大规模学习和评估真实场景下的 3D 类别重建

    该研究提供了一种名为 CO3D 的大规模数据集，其中包含了 50 种 MS-COCO 类别的近 19,000 个视频，共计 1.5 百万帧真实的多视角图像，带有相机姿态和地面真实 3D 点云的注释，并利用该数据集进行了新视角综合和类别为中心的 3D 重建方法的大规模 “野外” 评估，并提出了一种基于 Transformer 的新型神经渲染方法 NerFormer，可根据物体的少数视角重建整个物体。

    Sep, 2021

  • 一个基准超市数据集：来自单视图的真实世界点云

    介绍了一种名为 3DGrocery100 的大规模食品数据集，用于细粒度的食品目标识别，包括 100 个类别，由 87,898 个 3D 点云和 10,755 个 RGB-D 单视图图像创建而成，并在 6 个最新的 3D 点云分类模型以及少样本学习和持续学习的分类任务中进行了测试。

    Feb, 2024

  • 零样本学习 3D 点云物体

    本文提出使用零样本学习方法（ZSL）对未见过的三维点云进行分类，并根据新方案对模型进行基础测试，从而为三维点云识别领域带来新的挑战。

    Feb, 2019

  • 面向城市尺度三维点云的语义分割：数据集、基准和挑战

    本文介绍了一个由三个英国城市中 7.6 平方公里的城市景观组成的大规模城市照相测量点云数据集，其中每个 3D 点都被标记为 13 个语义类别之一，并通过基于现有算法的综合分析来识别了几个关键问题。

    Sep, 2020

  • 基于 RGB-D 数据的三维物体检测的台阶式点云网络

    本文探讨了利用深度学习在 3D 物体检测中，针对使用 RGB-D 数据在室内和室外场景下进行点云识别所面临的挑战以及如何提高效率。通过利用成熟的 2D 物体检测器和先进的 3D 深度学习来提高区域建议与对象本地化的精度，以取得高回收甚至小目标检测的良好性能。在 KITTI 和 SUN RGB-D 3D 检测基准上进行了评估，相比现有技术取得了显著的大幅度升级，并具有实时性能。

    Nov, 2017