面向形状的点云分析卷积神经网络
该研究提出了 RS-CNN 方法,即关系形状卷积神经网络,将规则网格 CNN 扩展为点云分析的不规则配置。RS-CNN 的关键是通过学习关系来实现点之间的几何拓扑约束,从而获得具有形状意识和鲁棒性的点云局部表达,实现了针对点云分析的上下文形状感知学习。实验结果表明,RS-CNN 达到了业界领先水平。
Apr, 2019
本文提出通过替换离散卷积核为连续卷积核,将离散卷积神经网络 (CNN) 泛化为处理点云的神经网络的方法,实验结果表明其在形状分类、部分分割和语义分割方面与现有方法相比具有竞争力。
Apr, 2019
提出了名为 AGCN 的新型网络结构,结合了图卷积网络和注意力机制,可以有效地从无序和非结构化的点云数据中提取特征,经实验证明在分类和分割任务中均达到了当前最先进的性能。
May, 2019
该论文提出了一种新的神经网络模块 EdgeConv,用于处理点云数据的图形分类和分割任务,它在每个层动态计算出图形,具有可堆叠和可微性等优点,并通过一些标准基准测试展示了优异性能。
Jan, 2018
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
本文介绍了一种新的卷积操作 PointConv,此操作可用于处理 3D 点云并建立深度卷积神经网络,该网络具有创建非线性函数权重和密度函数的功能,实验表明,PointConv 可用于挑战性的语义分割基准测试,并在 2D 图像的结构相似情况下提供类似于卷积网络的性能。
Nov, 2018
本文提出了一种新的 3D 深度学习模型,ShellNet,它使用 ShellConv 卷积算子处理点云数据,并能够达到同类模型更高的训练速度和识别准确率。
Aug, 2019
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
本研究提出一种新的卷积方式,能够直接在 3D 点云上进行计算,并利用其环形结构捕捉每个点的局部邻域几何特征,通过应用于神经网络,实现了目标分类、部件分割和语义分割等任务,并在多个标准基准数据集上取得了比同类算法更好的结果。
Apr, 2019
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。
Mar, 2020