Aug, 2019

Point2SpatialCapsule：在点云上使用空间感知胶囊聚合局部区域的特征和空间关系

PDF
TL;DR提出了一个名为 Point2SpatialCapsule 的新型深度学习网络，用于在点云上聚合本地区域的特征和空间关系，旨在学习更具有区分性的形状表示。
point cloudsshape representationspatial relationshipsdeep learning networkcapsule network
发现论文，激发创造
  • 3DCapsule：将胶囊架构扩展到 3D 点云分类

    本文介绍了 3DCapsule 的概念，它是最近引入的 Capsule 概念的 3D 扩展，可以应用于无序点集。通过引入 ComposeCaps 层以替代空间相关的特征映射，学习可以被 3DCapsule 应用的新映射。通过消融实验表明，在其他 3D 点集分类架构中应用 3DCapsule 时，其性能得到改善，特别是在噪声数据方面。与最先进的方法进行比较得到本方法的性能优于传统方法。

    Nov, 2018

  • PointCaps: 使用胶囊网络和欧几里得距离路由处理原始点云

    本研究提出了 PointCaps，一种新的卷积胶囊体系结构，以及一种新的欧几里得距离路由算法和类独立潜在表示，在原始点云的分类、重建和分割中拥有更好的表现，具有显著的参数和 FLOP 数量低的优势。

    Dec, 2021

  • 点云学习的分离式局部聚合

    基于点云的本地聚合方法，将空间关系与特征融合解耦，通过点卷积和边缘最大池化进行聚合，实验结果表明其在性能和延迟上取得了显著进展。

    Aug, 2023

  • 3D 点胶囊网络

    此论文提出了 3D 点胶囊网络作为自动编码器的一个改进，它能处理稀疏的三维点云数据并保留其空间结构。动态路由和其独特的二维潜在空间使其改进了几个与点云相关的常见任务，如物体分类、物体重建和部分分割，并能使其实现部分插值和替换。

    Dec, 2018

  • LSANet：通过本地空间感知层对点集进行特征学习

    该论文设计了一种新颖的 LSA 层，可以学习生成基于局部区域内的空间关系的空间分布权重，从而捕捉局部几何结构，进一步提出了基于 LSA 层的 LSANet，可以更好地在网络设计中汇聚特征与空间信息。实验表明，我们的 LSANet 在评估具有挑战性的基准数据集时可以达到和甚至更好的性能。

    May, 2019

  • 点云学习的动态局部特征聚合

    本文提出了一种动态特征聚合 (DFA) 方法，通过在特征域内构建局部图，进行 k - 最近邻探索潜在位置和特征相似性信息，结合原始点云低维全局特征表达，以增强特征表示，从而有效地进行点云分类。

    Jan, 2023

  • 通过分离特征聚合实现细节保留点云补全

    本文提出了两种特征聚合策略 (global&local feature aggregation，GLFA 和 residual feature aggregation，RFA) 来表示缺失的部分和已知的部分，并设计了精细化组件以防止生成的点云具有不均匀分布及异常值。在 ShapeNet 数据集上进行了广泛的实验，定性和定量评估表明我们提出的方法在细节保留方面优于当前最先进的方法。

    Jul, 2020

  • CAPNet：使用 2D 监督的连续近似投影进行 3D 点云重建

    提出了一种名为 CAPNet 的不可分辨投影模块，采用多个前景掩膜作为监督数据，通过连续逼近点云点来建立投影模型，通过 'affinity loss' 损失公式规避了稀疏投影问题，显著优于现有基于投影的方法，可在缺乏大量 3D 数据的情况下构建高质量 3D 重建。

    Nov, 2018

  • Point2Sequence: 基于注意力序列到序列网络学习三维点云的形状表示

    本研究提出了一种名为 Point2Sequence 的新型深度学习模型，用于学习 3D 形状特征，通过一种新颖的隐式方法捕捉了区域内的细粒度上下文信息， Point2Sequence 采用点云的新颖序列学习模型，通过注意力归纳局部区域的多尺度范围来捕获相关性，实验结果在形状分类和分割任务中取得了最优表现。

    Nov, 2018

  • 局部谱图卷积用于点集特征学习

    本文介绍了一种在点云上进行特征学习的方法，使用基于图卷积的局部图结构和新颖的图池化方法，该方法取得了在点集分类和分割任务中的一致可靠优势。

    Mar, 2018