Nov, 2020

PCEDNet：一种用于快速交互式边缘检测的轻量级三维点云神经网络

PDF
TL;DR本文提出了一种新的参数化方法，使用 Scale-Space 矩阵存储每个点周围不同尺度的重建形状的微分信息，从而提供了足够的信息，使得一个充分的神经网络能够学习边缘，并在获取的点云中高效地检测它们。之后，我们提出了一种新的轻量级神经网络结构，其在学习时间、处理时间和分类能力方面均优于 CNN，具有紧凑结构、需要较少的学习集、训练速度非常快且可以在几秒钟内对数百万个点进行分类。
发现论文，激发创造
  • 基于点云学习的动态图卷积神经网络

    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

  • EC-Net：一种边缘感知的点集融合网络

    介绍了第一种基于深度学习的边缘感知技术，用于辅助点云的合并。通过处理本地 patches 中的点并训练其以学习和有针对性地巩固点，并且通过回归组件来恢复 3D 点坐标和点到边缘距离，并采用边缘感知的联合损失函数直接最小化输出点到 3D 网格和边缘之间的距离。

    Jul, 2018

  • HEDNet: 一个用于点云中的三维物体检测的分层编码器 - 解码器网络

    3D 目标检测中，稀疏的点云数据分布是一项主要挑战，我们提出了 HEDNet，一种利用编码 - 解码网络来捕捉特征间的长距离依赖关系的方法，对于大型和远处物体具有优越的检测准确性和高效性。

    Oct, 2023

  • JSENet: 用于 3D 点云的联合语义分割和边缘检测网络

    本研究通过设计一个新的两流全卷积网络，提出了一个联合学习方法来同时处理 3D 语义分割和 3D 语义边缘检测问题，特别是设计了一个联合调优模块来明确地连接区域信息和边缘信息，通过提出的新型损失函数，实现了更好的语义分割结果的同时改善边缘信息，结果显示该方法在 S3DIS 和 ScanNet 数据集上获得了与最先进方法相当或更好的性能，优于语义边缘检测的基准方法。

    Jul, 2020

  • 基于轻量级 CNN 的边缘服务实现的实时人体检测

    介绍了一种轻量级的卷积神经网络算法 (LCNN)，通过将分类器的搜索空间缩小到监视视频帧中的人物对象，提出的 LCNN 算法能够在边缘设备上以可承受的计算工作量检测行人.

    Apr, 2018

  • PointeNet: 一种高效且有效的点云分析轻型框架

    PointeNet 是一种专门用于点云分析的高效网络，通过轻量级的架构、低训练成本和即插即用功能，有效捕捉代表性特征，并在分类 / 分割头或嵌入到现成的 3D 物体检测网络中实现了明显的性能改进，尤其适用于自动驾驶等实际场景。

    Dec, 2023

  • 点卷积神经网络

    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

  • EDCNN: 基于边缘增强的稠密连接网络与复合损失用于低剂量 CT 图像去噪

    该研究提出基于边缘增强的密集连接卷积神经网络（EDCNN）用于低剂量 CT 图像去噪，并引入混合损失函数以增强模型去噪效果，取得了较好的效果。

    Oct, 2020

  • 多尺度体素深度网络对点云场景的分类

    描述了一种卷积神经网络，用于分类城市或室内场景的 3D 点云，采用多尺度邻域的点位置进行点分类，排名第二，并打败了不使用正则化步骤的最新点分类方法。

    Apr, 2018

  • SpiderCNN：使用参数卷积滤波器对点集进行深度学习

    本文提出一种新的卷积神经网络架构，名为 SpiderCNN，可用于提取点云中的几何特征。该架构采用称为 SpiderConv 的单元，通过对一组卷积滤波器进行参数化并将其扩展到不规则点集上，从而扩展了传统卷积操作的范围，并可用于不具有规则底层结构的域。我们的实验证明，SpiderCNN 在标准基准测试上的准确率为 92.4％，并且在分割任务上具有竞争性的性能。

    Mar, 2018