Mar, 2021

NDT-Transformer：使用正态分布变换表示的大规模三维点云本地化

PDF
TL;DR本文提出一种基于 3D 点云、命名为 NDT-Transformer 的实时大规模地点识别的新方法。使用 3D 正态分布变换 (NDT) 表示法来提供几何形状描述，并通过 NDT Transformer 网络学习一组 3D NDT 单元格表示，从而实现全局描述符提取。该方法不仅丰富了几何和上下文信息，相比现有方法在牛津机器人车基准测试上平均取得了 7.52％和 2.73％的改进。
发现论文，激发创造
  • TransLoc3D : 基于点云的自适应感受野大规模地点识别

    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

  • 点云分析的双变换器

    本文提出了一种新颖的点云表示学习架构，称为 Dual Transformer Network (DTNet)，该架构主要包括一个 Dual Point Cloud Transformer (DPCT) 模块，该模块通过同时聚合点和通道的多头注意力机制，从位置和通道的语义角度捕获更丰富的上下文依赖性，有效地实现了三维点云分类和分割任务中的终端到终端分析。

    Apr, 2021

  • 快速点变换器

    本文介绍了一种基于 Fast Point Transformer 的新型轻量级自我关注层的方法，用于对大型 3D 场景进行处理和提高计算效率，并应用于 3D 语义分割和 3D 检测，具有与基于体素的最佳方法相竞争的准确性和比 Point Transformer 更快的推理时间。

    Dec, 2021

  • LPD-Net：大规模场景识别和环境分析的 3D 点云学习

    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

  • 3D 点云迭代变换网络

    提出了使用迭代变换网络 (IT-Net) 模块来完成无完整对象模型的局部点云的姿态估计，进而在形状分类和物体部分分割等任务上实现了卓越的性能。

    Nov, 2018

  • 面向点云分割的动态聚类变换网络

    该研究提出了一种新的三维点云表示网络，称为动态聚类变换网络（DCTNet），它利用编码器 - 解码器架构来学习全局和局部特征，并提出了新的语义特征动态采样和聚类方法以及一个高效的语义特征引导上采样方法，验证了其在点云分割任务上的性能优于现有的最先进模型。

    May, 2023

  • 使用通道式 Transformer 提高 3D 目标检测

    本文中，我们提出了一种改进的两阶段 3D 目标检测框架 CT3D，其中利用高质量的区域提议网络和基于通道的 Transformer 架构来同时执行提议感知嵌入和通道方式的上下文聚合，以获取更准确的目标预测，具有优秀的性能和可伸缩性，尤其是在 KITTI 测试 3D 检测基准中，众车类别的 AP 为 81.77％，优于现有最先进的 3D 检测器。

    Aug, 2021

  • GTNet：用于 3D 点云分类和语义分割的图形变换网络

    该研究提出了一个名为 Graph Transformer 的新特征提取模块，它能够在局部和全局模式下学习点云特征。该模块将基于图形和变压器的方法的优点相结合，并包括局部变换器和全局变换器模块。在此基础上，构建了一个 3D 点云网络 GTNet，可以用于形状分类、部分分割和语义分割任务。

    May, 2023

  • LocNet: 用于移动车辆的 3D 点云全局定位

    该论文提出了一种解决全局定位问题的方法，通过使用基于 Siamese LocNets 的半手工表示学习方法，在全局先验地图中实现了场所识别和尺度姿态估计，并且提出了一个使用仅距离观测的全局定位框架。通过 KITTI 数据集和自主收集的多个数据集的实验结果表明，该系统能够实现高精度的全局定位。

    Dec, 2017

  • 基于 Transformer 的表面法向量估计

    使用 Transformer 从带有噪声和密度变化的点云中准确预测法线，在合成形状数据集 PCPNet 和真实世界室内场景数据集 SceneNN 上实现了最先进的性能，表现出更强的抗噪性和显著更快的推理速度，同时证明了现有工作中的复杂手工设计模块在表面法线估计任务中并非必需。

    Jan, 2024