Nov, 2019

利用局部和全局结构进行点云语义分割，使用上下文点表示

PDF
TL;DR本篇论文使用上下文点表示方法，提出了一种基于点云局部和全局结构的创新模型，使用门控融合和图形点网络模块进行语义分割，借助空间性和通道性的注意力策略，以 S3DIS 和 ScanNet 数据集为基础，效果超过现有最先进的方法。
point cloudsemantic segmentationlocal and global structuresgraph attentions3dis and scannet datasets
发现论文，激发创造
  • 探索点云三维语义分割的空间上下文

    本文探讨了如何扩展 PointNet 架构以涵盖较大尺度的三维空间语义分割。通过两种扩展策略，该方法在室内和室外数据集上均取得了较好的结果。

    Feb, 2018

  • 3DContextNet：利用局部和全局上下文线索，通过 K-d 树引导的分层点云学习

    本文提出了一种基于 k-d 树的方法，旨在同时利用点云的局部和全局背景信息，通过沿树结构逐步学习表征向量，从而生成区分度强的点集特征。实验证明，该方法在 3D 场景语义分割等任务上明显优于现有的方法。

    Nov, 2017

  • 利用核相关和图池化挖掘点云局部结构

    本文提出了两个新的操作，帮助 PointNet 更高效地利用局部结构以提高 3D 点云的语义学习效果，并通过实验证明，我们的模型可以捕获局部信息并在主要数据集上表现更好。

    Dec, 2017

  • 一个统一的基于点的 3D 分割框架

    针对 3D 点云的分割问题，我们提出了一种新的点云分割框架，该框架能有效地优化整个场景的像素级特征，几何结构和全局上下文先验。实验结果表明，该方法优于现有的一些最先进的方法，并探讨了在三维重建场景中合成相机姿态以获得更高的性能。

    Aug, 2019

  • 基于图注意力的点云局部特征开发神经网络 GAPNet

    本研究基于图形注意力机制，提出了一个新的神经网络 GAPNet，用于学习点云中的局部几何表示，并且在形状分类和部分分割任务中，取得了最先进的性能。

    May, 2019

  • 基于 Superpoint 图的大规模点云语义分割

    该研究提出了一种基于深度学习的新框架，用于解决数百万点的大规模点云的语义分割挑战。该框架使用超级点图和图卷积网络等技术，取得了室内和户外 LiDAR 扫描分割方面的新成果。

    Nov, 2017

  • 了解邻居在做什么：点云的三维语义分割

    本文介绍了一种深度学习架构，用于解决非结构化点云的三维语义分割问题。与以往的工作相比，我们引入了点群聚合技术，定义了初始世界空间和学习特征空间中的点邻域，并结合专用损失函数，进一步构建了学习点特征空间。我们展示了如何将这些机制应用于点云的三维语义分割任务，并在室内和室外数据集上报告了最新性能。

    Oct, 2018

  • DensePoint: 学习高密度环境下的点云表示，为高效的点云处理提供支持

    提出了一种名为 DensePoint 的点云处理方法，通过推广卷积算子实现了针对不规则点配置的正则化网格卷积神经网络，并从密集连接模式中汲取灵感，在深层次结构中重复聚合多层次、多尺度语义信息，从而有机地获得具有密集上下文信息的多元语义，同时进行高效归纳学习，实验结果表明 DensePoint 方法优于现有方法，达到了业界最佳性能。

    Sep, 2019

  • 全局 - 局部双向推理用于无监督学习 3D 点云表示

    基于局部结构和全局形状的双向推理，提出了一种无需人工标注学习点云表示的方法，并展示出其在下游分类任务中取得的优秀表现。

    Mar, 2020

  • 野外场景三维图结构点云的弱监督语义分割

    提出了一种基于 2D 监督的新型深度图卷积网络框架，用于大规模语义场景点云的分割，通过 Graph-based Pyramid Feature Network 和 Observability Network 可以隐式推断点集的全局和局部特征，并提出了一个 2D-3D 联合优化策略用于优化投影过程中的语义信息的加入， 即使只有单个训练样本的情况下，也能够进行自然场景下的 3D 分割训练，扩展实验在 SUNCG 和 S3DIS 数据集上证明了这种 2D 监督框架在语义点云分割方面的有效性。

    Apr, 2020