基于梯度的方法解释 3D 点云特征

Jun, 2020

3D Point Cloud Feature Explanations Using Gradient-Based Methods

Ananya Gupta, Simon Watson, Hujun Yin

TL;DR本文主要研究神经网络在 3D 数据中的可解释性和稀疏性，提出了一种基于边缘和角点的视觉显著性方法并成功地在 Voxception-ResNet（一种基于体素的分类网络）上实现了参数精简.

Abstract

explainability is an important factor to drive user trust in the use of neural networks for tasks with material impact. However, most of the work done in this area focuses on image analysis and does not take into

explainability neural networks 3d data saliency methods efficient neural networks

发现论文，激发创造

SE3D：三维成像中显著性方法评估的框架

提出了 SE3D：一个用于评估三维图像显著性方法的框架，通过修改数据集和评估指标来评估适用于三维卷积神经网络的显著性方法，结果表明当前的三维显著性方法质量不够，对于未来改进和在关键领域中更安全地应用三维卷积神经网络提供了潜在空间。

May, 2024

可解释的二维视觉模型用于三维医学数据

本研究提出了一种简单的方法，使用 2D 网络和中间特征表示来处理 3D 数据，并使用特征减少模块进行分类，以解决在医学分类的基准测试和实际临床数据中训练成功受限的问题。

Jul, 2023

深度学习技术在三维点云分类和语义分割中的综述

本研究综述了深度学习在点云处理中的最新进展、挑战和潜在研究方向，重点关注点云分析中的 3D 形状分类和语义分割两个主要任务。

May, 2024

3D 点云对抗性丢失点的无模型预测

本研究提供了一种新的观点解决深度神经网络在三维点云中对敌对攻击的防御问题。研究采用多元线性回归分析 14 个点云特征，寻找最佳组合以实现模型无关的对抗点预测。实验结果证明该方法可以在 PointNet、PointNet++ 和 DGCNN 三种神经网络中更好地预测对抗点，并揭示哪些特征在它们的决策过程中起着关键作用。

Oct, 2022

Triangle-Net：面向点云学习的鲁棒性

提出了一种基于图结构和神经网络的方法，能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性，此方法在模型识别与检索任务方面，其性能可显著提高。

Feb, 2020

深度投影三维语义分割

本文提出了一种基于 2D-CNN 和多模态网络架构的点云语义分割方法，将点云数据投影到 2D 平面，避免了 3D-CNN 方法中立方体体素化降低空间分辨率和增加内存消耗的限制，并在 Semantic3D 数据集上达到了相对增益 7.9％的最新最佳结果。

May, 2017

用于三维点云语义标记的全卷积网络

本文介绍了使用一维全卷积网络对点云数据进行语义标记的方法，该方法直接分析经过地形归一化后的点，并结合光谱数据以学习上下文特征。我们的方法不需要手动提取特征，且在多个方面上比传统方法表现更优越，其中包括利用 ISPRS 3D 语义标注竞赛数据获得了 81.6% 的准确率，F1 分数比最高准确率方法高 1.69%。此外，本文还展示了该方法可轻松扩展到 2D 语义分割任务。

Oct, 2017

多层次三维卷积神经网络学习多尺度空间特征

本文提出了一种基于多层体素网格的端到端多级学习方法来解决现有 3D 目标识别中结构化和非结构化数据表示的缺陷，结果表明该方法在节约内存的同时能够实现与密集体素表示相当的目标识别性能。

May, 2018

深度学习技术在三维感知数据分类中的综述

本文综述了当前处理非结构化欧几里得数据的深度学习架构，并提供了自动理解和分类三维感测数据的算法需求和未来研究价值的文献支持。

Jul, 2019

GraVoS: 用于 3D 点云检测的体素选择

本文提出一种新的、针对 3D 物体检测的方法，该方法通过选择有意义的体素来解决数据集不平衡问题和不同网络依赖问题，达到提高检测性能的目的。

Aug, 2022