为三维点云学习局部多视图描述符的端到端学习
通过多视图渲染三维数据,运用局部和全局两个层次的自监督方式进行神经网络的预训练来取得了优于 PointNet,DGCNN 和 SR-UNet 等现有方法的效果,并分析了合成和真实数据的优缺点。
Oct, 2022
本论文提出了一种基于端到端学习框架的关键点检测及其表示的方法,以适应于三维深度地图或扫描,通过采样相应的区域提案实现正负样本的自动获取,并在多个基准数据集上进行匹配实验,表明该方法相对于现有方法具有明显的改进。
Feb, 2018
本研究提出一种新方法,在大规模点云中实现位置重定位,通过使用 Siamese 网络同时学习全局场景识别和本地六度姿态细化算法来生成全球描述符,并通过有效的注意力机制聚合本地描述符,实现同时获得本地和全局 3D 描述符,实验表明,本方法在全球点云检索和本地点云对比方面比现有技术实现的结果更具竞争力。
Jul, 2020
本文提出了一种端到端可训练的多视角聚合模型,利用 3D 点的视角优势,从任意位置拍摄的图像中合并特征,将标准 2D 和 3D 网络相结合,不需要着色、上网格或真实深度图,我们在 S3DIS 和 KITTI-360 数据集上取得了新的最佳效果。
Apr, 2022
在标签有限的情况下,本文提出了一种通用而简单的框架来解决点云理解问题,利用传统和学习到的 3D 描述符进行方法比较,并提出了基于亲和性的学习区域合并策略,该方法在各种实验设置下优于现有方法,无需复杂的学习策略。
Dec, 2023
本文提出了一个新的适用于 3D 形状的本地描述符,通过卷积网络直接从多个尺度的从粗到精细视角来捕捉图像的空间局部结构和表面细节,该技术可用于点对应,语义分割和形状匹配等形状分析领域。
Jun, 2017
本文提出了一种新型实用的学习机制,利用三维全卷积网络,旨在稠密地预测每个三维点的检测分数和描述特征,并通过自监督的检测器损失,在训练过程中指导即兴的特征匹配结果。最后,我们的方法在 3DMatch 和 KITTI 数据集的室内和室外场景中,均取得了最先进的结果,并在 ETH 数据集上展现了其强大的概括能力,为实现准确快速的点云对其,提出了一种可靠的特征检测器。
Mar, 2020
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
通过特征投影和反投影沿视线的方式,我们提出了一种用于多视图立体成像的学习系统,通过可微化运算,我们能够对 3D 形状进行度量重构,从而实现在几张相对较少的图像(甚至一张图像)中重建 3D 图像,并且证明了我们的方法在 ShapeNet 数据集上优于传统方法和最新的基于学习的方法。
Aug, 2017