Dec, 2019

密集型 RepPoints：使用密集点集来表示视觉对象

PDF
TL;DR本文提出了一种新的物体表示方法 ——Dense RepPoints，它利用大量点对物体进行多层次描述，包括边框层次和像素层次。同时介绍了一些有效的处理此类密集点的技术，其中利用距离变换采样方法结合集合到集合的监督学习来学习物体部分，距离变换采样方法结合了边缘和网格表示法的优点，表现优于使用边缘或网格的算法。
dense reppointsobject representationdistance transform samplingset-to-set supervisionobject segments
发现论文，激发创造
  • RepPoints：物体检测中的点集表示

    本文提出了一种名为 RepPoints 的方法，它采用一组样本点作为对象的更精细的表示，不需要使用锚点来采样边界框空间，并在检测任务中获得与目前最佳方法相同的效果。

    Apr, 2019

  • 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

  • 轮廓感知图像分割的密集点联合表示

    提出一种新颖的方法，将图形和密集分割技术相结合，通过共同学习点和像素轮廓表示，从而利用每种方法的优点。

    Jun, 2023

  • RepPoints V2：目标检测中的验证结合回归

    通过将验证任务引入 RepPoints 的本地化预测，我们提出了 RepPoints v2，它在 COCO 对象检测基准测试中比原始 RepPoints 的改进约为 2.0 mAP，并可更普遍地提升其他对象检测框架以及实例分割等应用。

    Jul, 2020

  • 基于重建的点云采样方法: REPS

    提出了一种基于重建评分策略的采样方法，通过去除和重建顶点来评估每个顶点的重要性。此方法在保留点云整体几何特征的同时避免破坏小尺度结构，在保留采样点云的结构特征方面优于先前方法。

    Mar, 2024

  • 面向航空物体检测的 RepPoints

    本文提出了一种基于自适应点学习的方法来检测非轴对齐的空中目标，该方法采用自适应点表示法来捕捉任意方向实例的几何信息，并结合三种有向转换函数以及有效的质量评估和样本分配方案，使用空间约束惩罚离群点进行自适应学习，实验结果表明我们的方法在四个具有挑战性的空中数据集上表现良好。

    May, 2021

  • G-Rep: 面向任意方向物体检测的高斯表示

    本文提出了一种称为 G-Rep 的统一高斯表示法，该法采用了高斯模型进行最优参数优化，可解决任意方向物体检测中由于特征不同引起的不准确性问题，该方法在多个公共数据集上均表现良好。

    May, 2022

  • 神经点基图形学

    本研究提出了一种基于点的方法，使用可学习的神经描述符来编码局部几何和外观信息，并学习深度渲染网络生成具有照片般逼真感觉的场景视图，同时避免显式表面估计和网格化，并适用于各种复杂场景，包括使用 RGB-D 传感器与标准 RGB 相机进行扫描的场景。

    Jun, 2019

  • 稠密分辨率点云分类和分割网络

    本文介绍了一种名为 DRNet 的基于不同分辨率学习点云本地特征的网络，并提出了一种局部邻域搜索的新型分组方法和用于捕获局部特征的误差最小化模块，该网络在 ModelNet40，ShapeNet 合成和 ScanObjectNN 真实点云数据集上显示出优越性能。

    May, 2020

  • 神经点：带有神经场的点云表示法，用于任意上采样

    本文提出了一种新的点云表示 Neural Points，并将其应用于任意分解上采样任务中。相较于传统的点云表示，每个点在 Neural Points 中通过神经场表示局部连续几何形状，因此 Neural Points 包含更多的形状信息并具有更强的表征能力。实验证明，Neural Points 在任意分辨率上对点云进行重新采样的表现优于最先进的点云上采样方法。

    Dec, 2021