CVPRMar, 2021

PAConv: 基于点云动态内核组装的位置自适应卷积

PDF
TL;DR引入了 Position Adaptive Convolution (PAConv) 算法，该算法通过使用 ScoreNet 从点位置自适应学习基础权重矩阵，并动态组装构建卷积核，从而实现更好处理不规则和无序点云数据的能力，在不改变网络配置的情况下将其集成到传统的基于多层感知器的点云管道中。
position adaptive convolution3d point cloud processingscorenetdata-drivenmlp-based
发现论文，激发创造
  • KPConv：用于点云的灵活可变形卷积

    Kernel Point Convolution（KPConv）是一种新的针对点云进行卷积的设计，其卷积权重位于欧几里得空间中的核点，能够适应任意数量的核点，由于其具有连续性，可以学习适应局部几何特征的形变卷积，并可用于许多复杂和简单任务的分类和分割，优于现有分类和分割方法。

    Apr, 2019

  • PointConv：3D 点云上的深度卷积网络

    本文介绍了一种新的卷积操作 PointConv，此操作可用于处理 3D 点云并建立深度卷积神经网络，该网络具有创建非线性函数权重和密度函数的功能，实验表明，PointConv 可用于挑战性的语义分割基准测试，并在 2D 图像的结构相似情况下提供类似于卷积网络的性能。

    Nov, 2018

  • 基于投影的点卷积在点云分割中的高效应用

    通过使用 2D 卷积和多层感知器作为组件的投影点卷积 (PPConv) 模块来优化点云处理算法，实现了在处理速度和分割性能之间的均衡。

    Feb, 2022

  • 点云分析的自适应图卷积

    本文提出了 Adaptive Graph Convolution (AdaptConv) 来生成自适应的核，以动态地学习点云的特征，从而以灵活、精确地捕捉不同语义部分点之间的多样关系的方式，改善了基于点云的卷积操作的适应能力，并且在几个基准数据集上表现优于当前最先进的点云分类和分割方法。

    Aug, 2021

  • 大规模点云的全卷积点网络

    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

  • KPConvX：利用核心注意力现代化核心点卷积

    通过使用核心点而不是多层感知器编码来定位卷积权重的方法，KPConvD 和 KPConvX 以更深的架构和核心注意力值进行了创新的设计，实现了更好的性能，超越了最新的 MLP 网络设计和训练策略。我们通过消融研究验证了我们设计选择的有效性，并发布了我们的代码和模型。

    May, 2024

  • Flex-Convolution （百万级点云学习：超越网格世界）

    本文介绍了一种新型灵活卷积方法，及其 GPU 实现，以适应不规则的 3D 点云数据，并在百万级数据集上获得了显著提升。该方法具有较小的参数和存储需求，是首个能同时处理 700 万个点的有效方法。

    Mar, 2018

  • ConvPoint: 基于连续卷积的点云处理

    本文提出通过替换离散卷积核为连续卷积核，将离散卷积神经网络 (CNN) 泛化为处理点云的神经网络的方法，实验结果表明其在形状分类、部分分割和语义分割方面与现有方法相比具有竞争力。

    Apr, 2019

  • 用于三维点云理解的插值卷积网络

    本文提出了一种新的 Interpolated Convolution 操作，即 InterpConv，以解决点云特征学习和理解问题，进一步设计了基于 InterpConv 层的 Interpolated Convolutional Neural Networks（InterpCNNs）来处理点云识别任务，实验表明这种方法可以有效地捕捉细粒度的局部结构和全局形状的上下文信息，并在公共基准测试中取得了最先进的性能。

    Aug, 2019

  • 通过扩展算子的点卷积神经网络

    本文介绍了点卷积神经网络（PCNN）的框架和两个算子：扩展和限制。此外，还定义了点云卷积的概念，其具有高效性，不受各种因素的影响，并可将卷积核用于任何点云中。通过三项常见的点云学习基准测试，证明了 PCNN 方法的有效性。

    Mar, 2018