CVPRMay, 2021

渐进接收野组件推理下的全监督点云分割

PDF
TL;DR本文提出了一种在点云分割中使用的全尺度监督方法 —— 逐渐递进的感受野组件推理（RFCR），其中目标 RFCC 将以渐进分类推理方式监督解码器，最终获得语义标签。实验结果表明，RFCR 方法在三个具有挑战性的基准测试中显着提高了骨干网络的性能，并在 ScanNet 基准测试中排名第一。
发现论文，激发创造
  • SEGCloud：3D 点云的语义分割

    本研究介绍了 SEGCloud，一种利用三线性插值和完全连接条件随机场等方式得到端到端三维点级分割的框架，可实现对室内和室外三维数据集进行准确的场景标注。

    Oct, 2017

  • 遮挡下的行人再识别特征补全

    本研究提出了一种 RFM 块，包括 Spatial RFC 和 Temporal RFC 模块，以解决人员再识别中的遮挡问题，并在数据集上测试表明其较传统方法获得了更好的性能。

    Jun, 2021

  • RFC-Net：在有限计算成本下学习医学图像分割的高分辨率全局特征

    本文介绍了一种松散稠密连接策略和采用 m 向树结构的可感受野链路网络 (RFC-Net)，用于学习高分辨率全局特征。实验证明 RFC-Net 在 Kvasir 和 CVC-ClinicDB 基准测试中对息肉分割取得了最先进的性能。

    Feb, 2023

  • 区域增强的特征学习用于场景语义分割

    本文提出了一种基于区域的特征强化网络 (REFL-Net)，将点云表示为区域来减少计算压力，并设计了以区域为基础的特征强化模块 (RFE) 来提高模糊点的特征表示，实现了强大的长程上下文建模和领域泛化能力。实验结果显示，REFL-Net 在 ScanNetv2 和 S3DIS 数据集上均达到了显著的增益。

    Apr, 2023

  • 野外场景三维图结构点云的弱监督语义分割

    提出了一种基于 2D 监督的新型深度图卷积网络框架，用于大规模语义场景点云的分割，通过 Graph-based Pyramid Feature Network 和 Observability Network 可以隐式推断点集的全局和局部特征，并提出了一个 2D-3D 联合优化策略用于优化投影过程中的语义信息的加入， 即使只有单个训练样本的情况下，也能够进行自然场景下的 3D 分割训练，扩展实验在 SUNCG 和 S3DIS 数据集上证明了这种 2D 监督框架在语义点云分割方面的有效性。

    Apr, 2020

  • 通过膨胀的图形特征聚合和金字塔解码器进行点云场景的语义分割

    该论文提出了一种名为 DGFA-Net 的图卷积神经网络，该网络应用多尺度感受野和基于金字塔的解码器来进行在点云上的语义分割，实验表明此方法的性能优于现有方法。

    Apr, 2022

  • RfD-Net: 基于语义实例重建的点云场景理解

    本研究介绍了 Rfd-Net，该方法通过在原始点云数据中直接检测和重构密集对象表面，摆脱了使用常规网格表示场景的限制，旨在预测可识别高对象性的形状，从而实现全局对象定位和局部形状预测，提高了物体检测的精度，比现有技术研究结果提高了 11 个三维网格交并比。

    Nov, 2020

  • 3DCNN-DQN-RNN: 用于大规模 3D 点云的语义分割的深度强化学习框架

    本研究提出了一种融合 3D 卷积神经网络 (CNN)、深度 Q 网络 (DQN) 和残差循环神经网络 (RNN) 的方法，对大规模三维点云进行高效的语义解析，取得了优于现有方法的分类结果。

    Jul, 2017

  • 使用递归集编码进行点云处理

    本文提出了一种新的置换不变网络用于 3D 点云处理，该网络由循环集编码器和卷积特征聚合器组成，对于无序点集，使用循环神经网络（RNN）对其进行编码并将功能集成到 2D 卷积神经网络（CNN）中，用于层次化特征聚合，该网络在空间特征学习方面表现出色，在多个基准测试中表现优异， 与最新技术水平相比也更加高效。

    Nov, 2019

  • 将深度信息融合至 CNN 和 CRF 用于室内语义分割

    本文提出了一种新的神经网络结构 (DFCN-DCRF)，该结构将 RGB-D 完全卷积神经网络 (DFCN) 与深度敏感的全连接条件随机场 (DCRF) 相结合，以改善分割性能。在实验中表明，DFCN-DCRF 与大多数最先进的方法相比具有最好的性能。

    May, 2017