点云中高斯实例分割的学习
本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中,以便于利用传统的 2D 卷积神经网络进行分割,通过引入具有拓扑结构保持特性的图形处理方法,并使用分层逼近算法,结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割,取得了 ShapeNet 和 PartNet 的最新成果。
Mar, 2020
本文提出了一种正则化图卷积神经网络 (RGCNN),通过谱图理论,将点云中的特征视为图上的信号进行卷积,可以直接处理点云数据,提高了点云分割效能,并在 ShapeNet 部件数据集上进行了实验验证。
Jun, 2018
本研究提出了一种基于深度学习的简单易用的三维物体实例分割框架,称为相似性分组提案网络(SGPN),该框架使用单个网络预测点分组提案和相应的语义类别,并可直接提取实例分割结果,实验表明,该框架在点云数据上的三维实例分割任务上具有很高的准确性,而且可提高物体检测和语义分割结果的效果。
Nov, 2017
使用轴对齐的 3D 边界框监督,提出 GaPro,一种新的用于 3D 点云的实例分割方法,通过生成伪标签和训练 3DIS 网络来解决 3DIS 问题,并通过自学习策略进一步提高性能。
Jul, 2023
本文提出了名为 Grid-GCN 的方法,用于快速和可扩展的点云学习。Grid-GCN 使用一种新颖的数据结构策略,Coverage-Aware Grid Query(CAGQ),通过利用网格空间的效率,提高了空间覆盖范围,同时减少了理论时间复杂度,具有很高的速度和可扩展性。Grid-GCN 在各类点云分类和分割基准测试中都表现优异,并且比以前的研究运行速度更快。值得注意的是,在使用 81920 个点作为输入场景进行 ScanNet 推理时,Grid-GCN 实现了 50fps 的推理速度。
Dec, 2019
本篇文章研究了基于空间关系的点云实例分割方法 HAIS,提出了一种基于聚类的层次聚合框架以及子网路的预测方式,使得方法不仅快速准确(在 ScanNet v2 数据集上排名第一)还有很好的泛化性能。
Aug, 2021
实例分割是计算机视觉中的关键任务之一,本研究提出了一种名为生成形状提案网络(GSPN)的 3D 对象提案方法,并将其应用于一种新颖的 3D 实例分割框架中,名为区域点网络(R-PointNet)。GSPN 引入了几何理解以及生成技术来提出精确的实例分割,取得了良好的性能表现。
Dec, 2018
我们提出了一种名为 Self-Prediction 的学习模式,用于处理点云的三维实例和语义分割问题。我们的方法强调了点关系探索方面的新学习模式,与大多数现有方法不同,该方法通过自我预测任务来训练骨干网络,从而使模型更好地探索关系、几何和形状信息并学习更具有区分性的特征进行分割,实现了在 S3DIS 和 ShapeNet 上实例分割结果的最先进性,并只使用 PointNet ++ 作为骨干网络时与现有技术的语义分割结果相当。
Jul, 2020
PointGroup 是一种新的端到端自下而上架构方法,专为更好地通过探索对象之间的空白空间对点进行分组而设计,通过两个分支网络提取点特征并预测语义标签与偏移量,利用原始和偏移移动的点坐标集,使用 ScoreNet 评估候选实例,并使用 NMS 消除重复。与先前的最佳解决方案相比,PointGroup 在 ScanNet v2 和 S3DIS 数据集上都取得了高性能,分别为 63.6%和 64.0%,而前者为 54.9%和 54.4%(在 IoU 阈值为 0.5 时的 mAP)。
Apr, 2020
本研究提出了一种基于图神经网络的 LiDAR 点云对象检测方法,采用自动注册机制降低了平移方差,并结合盒子合并和计分运算从多个数据点准确地组合检测结果,在 KITTI 基准测试中,该方法仅使用点云即可实现领先的准确性,甚至胜过融合算法,这显示了使用图神经网络作为三维对象检测的新方法的潜力。
Mar, 2020