大规模场所识别的高效三维点云特征学习
本文提出了一种名为 LPD-Net 的深度神经网络,它可以从原始 3D 点云数据中提取判别性和可推广性的全局描述符,用于解决基于点云的识别任务,并与 PointNetVLAD 和基于视觉的解决方案进行了比较。
Dec, 2018
本研究提出了 PointNetVLAD 方法,结合 PointNet 和 NetVLAD 模型,通过端到端的训练和推理从给定的 3D 点云中提取全局描述符,并使用 “lazy triplet and quadruplet” 损失函数来实现更具有判别性和可推广性的全局描述符以解决点云识别的问题,并创建了基准数据集以实现其可行性。
Apr, 2018
提出了一种名为 MinkLoc3D 的基于学习的方法,用于计算具有区分性的三维点云描述符,该方法使用稀疏体素化的点云表示和稀疏三维卷积,相比目前最先进的方法具有更好的性能。
Nov, 2020
本文介绍了一种名为 Patch-NetVLAD 的方法,它提供了一种将局部和全局描述符方法的优点相结合的新方法,通过从 NetVLAD 剩余变量中导出局部级别的特征,我们的方法使深度学习的局部特征定义在特征空间网格上,能够聚合和匹配这些特征,并通过积分特征空间进行互补尺度(即块大小)的块特征的多尺度融合,显示出在其状态 - of-the-art 视觉地点识别结果上具有高度不变性,超过了基于全局和局部特征描述符的方法,同时还具有可配置框架中的改进计算效率,适合于增强独立场所识别能力和 SLAM 系统的整体性能。
Mar, 2021
提出了一种用于处理大规模 3D 数据的一般用途的全卷积网络,具有内部将无组织的点云转换为有序结构以通过 3D 卷积处理的能力,可用于许多 3D 任务的通用点云描述符。在语义体素分割,语义部分分割和 3D 场景字幕数据集上进行了评估。
Aug, 2018
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
TransLoc3D 是一种新的点云全局描述算法,使用自适应感受野进行特征提取,利用外部 Transformer 捕捉长程特征依赖关系,能够有效地处理不同大小的物体、抑制噪声,并取得了现有方法不可比拟的高性能结果。
May, 2021
通过 Point Contextual Attention Network (PCAN) 能够在对点上下文加权的情况下,对局部特征进行更加关注,从而有效地编码局部特征并在多个基准测试数据集上提供性能优于当前最先进方法的检索性能。
Apr, 2019
介绍了一种基于结构感知的基于蒸馏的方法 InCloud,用于点云位置识别的增量学习,可以提升网络在不同数据集上的表现,并且适用于各种不同的网络架构。
Mar, 2022