MMDec, 2020

GraNet：针对 ALS 点云分类的全局关系感知注意力网络

PDF
TL;DR本论文提出一种新型神经网络用于对 ALS 点云进行语义标注，名为全局关系感知注意网络 (GraNet)，该方法首先使用一个本地空间注意卷积模块 (LoSDA) 学习本地几何描述和本地依赖关系，然后使用全局关系感知注意模块 (GRA) 学习任何空间位置和特征向量之间的全局空间和通道关系，以上两个重要模块嵌入多尺度网络架构中，实验结果表明，与其他常用高级分类方法相比，我们的方法在两个 ALS 点云数据集上均可获得更高的分类精度。
als point cloudsneural networksemantic labelingglobal relation-aware attentional networkmulti-scale network architecture
发现论文，激发创造
  • 3D 视觉定位的双属性空间关系对齐

    提出了 DASANet，一种用于模型属性和空间关系特征的双重对齐网络，能够实现在语言和 3D 视觉模态之间建立联系，提高基于 3D 视觉的定位准确性。

    Jun, 2024

  • 一种关系增强的全卷积网络用于航空场景的语义分割

    本研究提出了空间关系模块和通道关系模块，可用于学习和推理任何两个空间位置或特征图之间的全局关系，并产生关系增强的特征表示。研究团队在利用两个航空图像数据集进行的语义分割任务中使用这些模块，取得了相当优异的结果，比基准模型有显著提升。

    Apr, 2019

  • 增强空间上下文的潜在图注意力

    本文介绍了一种计算效率高且模块化的框架 ——Latent Graph Attention（LGA），该框架能够将全局背景信息融入现有架构中，特别是能够使小型架构的性能接近大型架构，从而使轻量级架构在计算能力和能源需求较低的边缘设备中更加有效。在透明物体分割、去雾图像恢复和光流估计三个应用中，LGA 模块的引入改善了性能。

    Jul, 2023

  • 基于姿态图的关注图神经网络用于激光雷达地点识别

    该研究提出了一种激光雷达场景识别方法，称为 P-GAT，通过比较一组点云之间的相似性来增加随时间捕获的点云之间的可接受领域，利用基于位姿图 SLAM 的概念，结合了点云之间的内部和外部注意力以及图神经网络来关联在欧几里德空间中附近位置捕获的点云以及其在特征空间中的嵌入。实验证明了该方法在识别缺乏明显特征的场景以及训练和测试环境具有不同分布（领域适应）时的有效性。与最先进技术的详尽比较显示出性能改进。代码将在接受后提供。

    Aug, 2023

  • 面向点云的三维视频目标检测的图神经网络和时空变换器注意力

    本文采用多帧点云视频中的时间信息来探测 3D 物体。研究者们提出了一种名为 GMPNet 的格网信息传递网络来编码短期时间信息，并提出了一个名为 AST-GRU 的基于注意力的时空变换 GRU 来进一步聚合长期帧。在 NuScenes 基准测试中，该方法表现优异，且不需要任何额外的手段。

    Jul, 2022

  • 三维点云语义分割的点注意力网络

    本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

    Sep, 2019

  • SR-GNN: 面向细粒度图像分类的空间关系感知图神经网络

    本文介绍一种有效的方法，通过聚合来自最相关的图像区域的上下文感知特征及其在区分细粒度类别中的重要性来捕获细微变化，避免边框和 / 或可见部分注释，并通过自我关注和图形神经网络的最新进展来包括一种简单而有效的关系感知特征变换及其在端到端学习过程中的性能评估。评估了我们的模型，发现其在八个细粒度对象和人类对象交互数据集上的识别准确性显著优于现有技术。

    Sep, 2022

  • 关系感知全局注意力实现人员再识别

    本研究提出了一种关系感知全局注意力 (RGA) 模块，可以全面抓取全局结构信息以增强特征表示能力，实现了人员复识别 (Re-id) 领域的最新技术成果.

    Apr, 2019

  • 基于稀疏体素图注意力网络的点云三维物体检测 SVGA-Net

    本文提出了 Sparse Voxel-Graph Attention Network (SVGA-Net) 网络，采用体素图和稀疏回归模块等方法，可从原始 LIDAR 数据中实现 3D 对象检测任务，通过实验验证了 SVGA-Net 的高效性和检测准确率。

    Jun, 2020

  • 基于图注意力的点云局部特征开发神经网络 GAPNet

    本研究基于图形注意力机制，提出了一个新的神经网络 GAPNet，用于学习点云中的局部几何表示，并且在形状分类和部分分割任务中，取得了最先进的性能。

    May, 2019