PointRNN: 移动点云处理的点递归神经网络
提出一种端到端学习网络,用于预测点云序列中的未来帧,其中网络以点云的拓扑信息作为几何特征学习初始层,形成代表性的时空邻域,在多个 Graph-RNN 单元中学习点的动态(即 RNN 状态),并与时空邻近点一起处理。测试结果表明,我们的方法在忽略几何特征信息的基准线方法上表现出色,应用于包括 MINST 运动数字、合成人体动作和 JPEG 动态人体数据集的预测中。
Feb, 2021
本文提出了一种新的置换不变网络用于 3D 点云处理,该网络由循环集编码器和卷积特征聚合器组成,对于无序点集,使用循环神经网络(RNN)对其进行编码并将功能集成到 2D 卷积神经网络(CNN)中,用于层次化特征聚合,该网络在空间特征学习方面表现出色,在多个基准测试中表现优异, 与最新技术水平相比也更加高效。
Nov, 2019
本文介绍了 CloudLSTM,这是一种专门用于预测由地球空间点云生成的数据流的新型循环神经模型。我们设计了一种动态点云卷积 (DConv) 操作符作为 CloudLSTM 的核心组件,直接对点云进行卷积,并从围绕输入不同元素的相邻点集中提取本地空间特征。我们将所提出的结构应用于两个代表性的、涉及点云流的实际用例,即移动服务交通预测和空气质量指标预测。我们的结果表明,CloudLSTM 可以提供准确的长期预测,胜过各种竞争神经网络模型。
Jul, 2019
该研究提出了一种用于增强现实中的 3D 物体分类的深度学习策略,该策略结合了 GRU 和 LSTM 的优点,并在数据集中达到了 0.99 的准确率。
Mar, 2024
本文提出了一种名为 MoNet 的基于运动的神经网络,它将运动特征和内容特征结合起来用于预测未来的点云,以提高自动驾驶中智能汽车对其周围环境的感知和安全性。实验结果表明,该方法具有重要的应用前景。
Nov, 2020
本文提出了一种新型的 3D 分割框架 RSNet,它使用了轻量级局部依赖模块来高效地建模点云中的局部结构,并在 S3DIS、ScanNet 和 ShapeNet 数据集上进行了全面的实验验证,结果表明 RSNet 在所有基准测试上均优于先前的最先进方法。
Feb, 2018
本研究提出了一种融合 3D 卷积神经网络 (CNN)、深度 Q 网络 (DQN) 和残差循环神经网络 (RNN) 的方法,对大规模三维点云进行高效的语义解析,取得了优于现有方法的分类结果。
Jul, 2017
本文采用多帧点云视频中的时间信息来探测 3D 物体。研究者们提出了一种名为 GMPNet 的格网信息传递网络来编码短期时间信息,并提出了一个名为 AST-GRU 的基于注意力的时空变换 GRU 来进一步聚合长期帧。在 NuScenes 基准测试中,该方法表现优异,且不需要任何额外的手段。
Jul, 2022
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
利用点过程框架,我们提出了一种新颖的循环图网络方法来预测离散标记事件序列,其中图神经网络使用 LSTM 来合并过去的信息,而图注意力网络引入了强大的归纳偏置来捕捉来自不同事件类型的交互。实验结果表明,与基于 Transformers 的现有技术相比,所提出的方法在对数似然、预测和拟合度任务中提高了性能,并且具有更低的时间和空间复杂度。
Aug, 2022