Dec, 2019

LatticeNet: 基于排列菱格的快速点云分割

PDF
TL;DR本文提出了一种名为 LatticeNet 的使用 PointNet 和稀疏排列共同完成快速卷积的 3D 语义分割方法，通过使用 DeformSlice 将格子特征反投影到点云使得模型在多个数据集上达到了 SOTA 结果。
convolutional neural networks3d datasemantic segmentationlatticenetdeformslice
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

  • SPLATNet: 稀疏网格网络用于点云处理

    本文提出一种直接以高维网格中的稀疏采样点集合形式处理点云的网络架构，采用稀疏双边卷积层作为构建块，实现对网格的有效卷积计算，可以灵活地进行分层和空间感知特征学习，并且可以轻松地将基于点或基于图像的表示方法应用于网络中，实验证明本文的方法在三维分割任务中胜过现有的最先进技术。

    Feb, 2018

  • 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

  • 高效三维深度学习的点云卷积神经网络

    本文提出了一种称为 Point-Voxel CNN（PVCNN）的算法，其使用点的形式来表示三维输入数据以减少内存消耗，并通过使用体素来执行卷积以提高效率。该算法在语义分割数据集上实现了比基线模型更高的准确性，同时还在速度上超过了最先进的基于点的模型。

    Jul, 2019

  • 三维点云语义分割的点注意力网络

    本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

    Sep, 2019

  • Robust 结构化声明性分类器用于 3D 点云：利用隐式梯度抵御对抗攻击

    本文提出了基于结构化稀疏编码和卷积神经网络的 Lattice Point Classifier（LPC）方案，该方案通过内部约束优化机制来有效抵御对 3D 点云分类器的不良攻击，并在不同攻击者下实现了最先进的鲁棒 3D 点云分类性能。

    Mar, 2022

  • 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

  • 学习在 2D 图像空间中分割 3D 点云

    本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中，以便于利用传统的 2D 卷积神经网络进行分割，通过引入具有拓扑结构保持特性的图形处理方法，并使用分层逼近算法，结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割，取得了 ShapeNet 和 PartNet 的最新成果。

    Mar, 2020

  • Permutohedral Lattice CNNs

    本文提出了一种卷积层，能够处理稀疏的输入特征。它利用 Permiutohedral 网格数据结构实现了一个波透镜卷积算法，从而使得卷积神经网络具有更广泛的应用场景。

    Dec, 2014

  • 大规模点云的全卷积点网络

    提出了一种用于处理大规模 3D 数据的一般用途的全卷积网络，具有内部将无组织的点云转换为有序结构以通过 3D 卷积处理的能力，可用于许多 3D 任务的通用点云描述符。在语义体素分割，语义部分分割和 3D 场景字幕数据集上进行了评估。

    Aug, 2018