本研究提出基于 Expectation-Maximization 算法的点对点操作，用于改善点云二值化神经网络的高斯分布权重和不可学习的缩放因子等限制，以提高点云处理的效率和表示能力，并在实验中取得了显著的优势。

Nov, 2021

在本研究中，提出了一种名为 BiHRNet（Binary HRNet）的二值人体姿势估计器，该估计器在适应二值神经网络（BNN）的同时保留了 HRNet 的关键点提取能力，通过提出二值网络训练过程的优化方法以及设计更适合二值化的结构，实现了更少的计算资源开销和精度下降，并在实验中取得了较好的性能。

Nov, 2023

本论文提出了一种新颖的全二进制点云 Transformer（FBPT）模型，可以在机器人和移动设备领域得到广泛应用和扩展。通过将 32 位全精度网络的权重和激活压缩为 1 位二进制值，提出的二进制点云 Transformer 网络大幅减少了点云处理任务中神经网络模型的存储占用和计算资源要求。然而，实现全二进制点云 Transformer 网络（除了特定于任务的模块外其他部分均为二进制）在量化 Q、K、V 和自注意力模块中的激活时面临挑战和瓶颈，因为它们不符合简单的概率分布，并且可以随输入数据变化。本文主要关注解决二进制点云 Transformer 模块使用引起的性能下降问题，提出了一种名为动态 - 静态混合化的新型二值化机制，结合整体网络模型的静态二值化和数据敏感性组件的细粒度动态二值化方法。此外，我们还采用了新颖的分层训练方案来获得最佳模型和二值化参数。这些改进使得所提出的二值化方法在点云 Transformer 结构中优于应用于卷积神经网络的二值化方法。为了证明我们算法的优越性，我们在两个不同的任务上进行了实验：点云分类和位置识别。

Mar, 2024

基于 PointNet 的新型点云编解码器，在机器任务分类中实现了更好的速率 - 准确性平衡，相对于非专用编解码器在 ModelNet40 数据集上达到了 94% 的降低 BD 比特率。对于低资源终端设备，我们提出了两种轻量级编码器配置，在 BD 比特率降低 93% 和 92% 的同时，仅消耗了 0.470 和 0.048 的编码器端 kMACs / 点，并降低了 3% 和 5% 的 top-1 准确率，为今后更复杂的任务和数据集提供了专用编解码器的潜力和基础。

Aug, 2023

提出了 ReBNet 框架，用于训练可重构的二进制神经网络并在 FPGA 上执行，通过多级二值化提高分类准确性同时满足资源有限的设备要求。

Nov, 2017

本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

Dec, 2016

本篇论文提出一系列工程技术来改善二值化神经网络的准确性，包括更合适的激活函数、反向初始化、渐进式量化、网络叠加等，并在人体姿态估计和 ImageNet 大规模图像识别任务中验证了其优越性。此外，还首次探讨了二值化神经网络和知识蒸馏相结合的效果。

Apr, 2019

利用网络二值化和知识蒸馏机制加快多任务密集预测模型的速度，同时保持甚至提高模型性能。

May, 2024

本论文提出了 BPNet，一种新颖的端到端深度学习框架，用于学习在 3D 点云上的 Bézier 基元分割。通过将 Bézier 分解应用于点云分割，我们能够实现有限形状类别的广义基元分割。我们提出了一个联合优化框架，在级联架构上同时学习 Bézier 基元分割和几何拟合。通过引入软投票正则化器和自动权重嵌入模块，我们使网络更具鲁棒性和通用性。我们还引入了一个重构模块，通过该模块可以同时处理具有不同基元的多个 CAD 模型。我们在合成的 ABC 数据集和实际扫描数据集上进行了大量实验证实并与不同的基准方法进行了比较。实验证明，我们的方法在分割方面具有卓越的性能，并且推理速度显著得更快。

Jul, 2023

本文介绍了一种名为 DIR-Net 的神经网络二值化方法，通过改进内部传播和引入外部表示来保留神经网络信息；采用信息最大化二值化（IMB）、分布敏感二段估计器（DTE）和表示对齐二值化感知蒸馏（RBD）等三项技术，该方法在 ResNet、VGG、EfficientNet、DARTS 和 MobileNet 等主流紧凑体系结构下实验表现优异，可在实际资源受限设备上实现存储节省和加速优化。

Sep, 2021