MMMay, 2021

TransLoc3D : 基于点云的自适应感受野大规模地点识别

PDF
TL;DRTransLoc3D 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。
发现论文，激发创造
  • NDT-Transformer：使用正态分布变换表示的大规模三维点云本地化

    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。

    Mar, 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

  • 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

  • ModaLink: 图像到点云的高效场景识别

    通过引入快速轻量级的框架，将图像和点云转换成具有地点鉴别性的描述符。实验结果表明，所提出的方法在实时执行的同时达到了最先进的性能，具有实际的泛化能力。

    Mar, 2024

  • MinkLoc3D：基于点云的大规模场所识别

    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

  • 利用学习到的地点识别描述符和点到体素比较在稀疏两时刻点云中进行不规则变化检测

    本文提出一种基于深度学习的点云配准和不规则物体提取的三维点云变化检测方法，并利用地图合并算法建立一个公共的坐标系，通过提取 3D 点云的鲁棒且具有区分性的特征来检测连续点云帧之间的变化并且找到变化区域，最后通过与两个时间点比较来提取任何导致该区域改变的障碍物。该方法在现场实验中得到成功评估，能够检测出 3D 点云中的不同类型的变化，具有构筑物施工安全监控，测绘和勘探等领域的重要应用和发展前景。

    Jun, 2023

  • 大规模场所识别的高效三维点云特征学习

    本文提出了一种高效的点云学习网络 (EPC-Net) 以形成全局描述符用于视觉地方识别，该网络具有良好的性能并且可以降低计算内存和推理时间，通过在代理点和空间相邻矩阵上进行简化的边缘卷积实现对点云本地几何特征的聚合，然后设计轻量级分组 VLAD 网络 (G-VLAD) 以形成检索的全局描述符。

    Jan, 2021

  • 3D 目标检测中的大感受野策略与重要特征提取策略

    利用 3D 物体检测、LiDAR 点云、动态特征融合模块和特征选择模块以提高网络性能。

    Jan, 2024

  • 基于语义图的三维点云地点识别

    本文提出了一种基于语义图的三维点云场景识别方法，该方法具有鲁棒性，能够应对遮挡和视角变化等环境变化，评估结果表明该方法优于现有技术。

    Aug, 2020

  • 野外单幅图像三维模型检索的位置场描述符

    提出了基于位置场描述符的单张图像三维模型检索方法，利用位置场来实现从 2D 像素到 3D 表面坐标的对应，从而明确地捕捉 3D 形状和位姿信息，前期融合 3D 模型和 RGB 图像的核心瓶颈位置场预测能够规范化数据，拟合更多的虚拟数据，提高模型鲁棒性，最终在多项 3D 检索指标上以高达 20% 的绝对值优势显著超越现有技术。

    Aug, 2019