Triangle-Net:面向点云学习的鲁棒性
本论文提出了一种基于局部图表示的点云学习框架,通过学习内部的三维几何特征并使用基于图卷积网络的特征提取网络来实现三维变换不变性,这种方法在分类和分割任务中取得了最先进的性能和有竞争力的性能,具有重要的研究意义。
Dec, 2018
VoxelNet 是一种针对点云图像检测的深度网络,可以将点云分割成等间距的三维体素,并通过新引入的体素特征编码层将每组点转换为统一的特征表示,从而生成描述性的体积表示,并连接 RPN 以生成检测。
Nov, 2017
本研究通过使用 PointTriNet 模型,基于局部几何数据,使用一个分类网络和一个提议网络,生成一组点的三角剖分,实现了一个不需要监督训练的,可扩展的三维几何形态学习方法。
Apr, 2020
本文探讨了利用深度学习在 3D 物体检测中,针对使用 RGB-D 数据在室内和室外场景下进行点云识别所面临的挑战以及如何提高效率。通过利用成熟的 2D 物体检测器和先进的 3D 深度学习来提高区域建议与对象本地化的精度,以取得高回收甚至小目标检测的良好性能。在 KITTI 和 SUN RGB-D 3D 检测基准上进行了评估,相比现有技术取得了显著的大幅度升级,并具有实时性能。
Nov, 2017
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
本文提出了一种面对各种几何变换,特别是旋转的局部到全局表示学习算法,该算法利用基于图卷积神经网络的多级抽象构建描述符层次结构,以自底向上的方式对输入对象的旋转不变形状信息进行编码,并通过对三维点的随机采样有效地使学习到的表示对输入数据的变化具有鲁棒性。该算法在旋转增强的三维物体识别和分割基准测试上表现出最先进的性能。
Oct, 2020
通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联,提出了一种新的 3D 检测框架,同时引入基于注意力的重加权模块,无需增加推理成本即可利用网络特征增强能力,在 KITTI 3D 检测基准测试中实现了更高的性能。
Aug, 2022
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
提出一种对点云数据具有旋转不变性的点投影特征方法,可以提取严格的点云识别和分割的旋转不变表示,无需数据增强,并且优于其他最先进的方法。
Nov, 2019