Mar, 2020

深度点云分析的旋转不变框架

HTML
PDF
TL;DR本文提出了一种新的低层纯旋转不变表示，以替代常见的3D笛卡尔坐标作为神经网络的输入，并介绍了一种网络结构来将这些表示嵌入为特征，编码点与邻居之间以及全局形状结构之间的局部关系，并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示引起的全局信息丢失。在多个点云分析任务上评估我们的方法，包括形状分类、部件分割和形状检索，实验结果表明与现有技术相比，我们的方法在任意方向上的输入上实现了一致且最佳的性能。
发现论文，激发创造
  • 3D点云旋转不变卷积深度学习

    本文提出了一种新型的点云卷积运算符，实现了旋转不变性，通过使用旋转不变的几何特征设计点云学习的卷积运算符，解决了点排序问题，并将其作为神经网络的基本构建块，能在6自由度变换下具有稳健性，在物体分类和分割等任务中表现出高精度。

    Aug, 2019

  • 旋转不变的点云分类方法：局部几何与全局拓扑相结合

    本文介绍了一种新的方法来实现点云数据的旋转不变性，使用局部几何特征和全局拓扑特征相结合的局部-全局表示网络。该网络使用多层感知器做注意力机制来融合两种旋转不变性特征，并在模型识别任务上取得了最先进的效果。

    Nov, 2019

  • SRINet：用于点云分类和分割的严格旋转不变表征学习

    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

  • 全局上下文感知卷积用于三维点云理解

    本文提出了一种新型的卷积操作符，通过将全局上下文信息与卷积融合，增强了点云数据中特征的区分度，从而解决了旋转不变性卷积的性能问题，并在多项点云任务中实现了最先进的结果。

    Aug, 2020

  • 旋转不变的三维点云局部到全局表征学习

    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

  • 深度位置关系特征学习实现点云旋转不变性分析

    本文提出了一种旋转不变的深度点云网络，通过结合点的位置信息和关系特征的嵌入块，实现了对点云的分类和语义分割，能够在处理点云输入时保持状态-of-the-art分类性能。

    Nov, 2020

  • RIConv++：针对 3D 点云深度学习的有效旋转不变卷积

    本文提出一种简单且有效的卷积算子，通过设计强大的旋转不变特征来增强特征描绘能力，实现旋转不变性，并在真实和合成的点云分类、部分分割和形状检索实验中取得了挑战性旋转下的最先进精度。

    Feb, 2022

  • 通过点云配准重新思考旋转不变性

    该论文从点云配准角度出发，提出一种三阶段框架实现旋转不变性学习，其中包括旋转不变性形状编码、对齐特征整合和深度特征配准等，用于旋转不变性的3D形状分类、部分分割和检索任务中。

    Dec, 2022

  • 旋转不变点云分析的通用框架

    我们提出了一种基于深度学习的点云分析通用方法，对输入具有旋转不变性。通过将其作为置换不变问题进行公式化，并提出了一个通用框架，可与任何骨干网络结合使用，我们的方法在常见基准测试中相较于最先进的方法表现出显著或更好的性能，对于3D预训练和多模态学习等进一步研究非常有益。

    Feb, 2024

  • RISurConv：用于3D点云分类与分割的旋转不变表面注意力增强卷积

    本文解决了3D点云深度学习中旋转不变性的不足，通过提出一种新颖的旋转不变架构来提高分类与分割的准确性。该方法利用局部三角表面构建，提取高度表达的旋转不变表面特性，并整合进命名为RISurConv的注意力增强卷积算子中，从而实现高精度的3D点云分析。

    Aug, 2024