ICMLJun, 2021

使用简单有效的基准方法重新考虑点云形状分类

PDF
TL;DR本文研究了处理点云数据的关键因素，发现诸如评估方案、数据增强策略和损失函数等辅助因素对性能产生了巨大影响，而 SimpleView 和 PointNet++ 在一些基准测试中表现出色。
point cloud datapoint-based approachesdata augmentationloss functionsnetwork
发现论文，激发创造
  • PointNet：基于点集的深度学习用于三维分类和分割

    本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

    Dec, 2016

  • PointNeXt: 重新审视 PointNet++ 的改进训练和扩展策略

    本文对 PointNet ++ 进行了系统性研究，提出了一组改进的训练策略和可扩展的 PointNeXt，使用数据增强和优化技术以及增加模型大小来显着提高性能并在 3D 分类任务中实现了最新的最先进的结果。

    Jun, 2022

  • 利用 PointNet 和 PointNet++ 进行 Lyft 点云分类挑战

    本研究调查了 PointNet 和 PointNet++ 在 LiDAR 生成的点云数据分类中的应用，这是实现全自动驾驶汽车的关键组成部分。通过使用来自 Lyft 3D 目标检测挑战的修改数据集，我们检查了这些模型处理动态和复杂环境的能力，对于自主导航至关重要。我们的分析结果显示，PointNet 和 PointNet++ 的准确率分别为 79.53% 和 84.24%。这些结果突显出这些模型在解释复杂的环境数据方面的鲁棒性，这对于自动驾驶汽车的安全和效率至关重要。此外，增强的检测准确性，尤其是在区分行人和其他物体方面，突显了这些模型对于推动自动驾驶汽车技术的进步的潜力。

    Apr, 2024

  • PointeNet: 一种高效且有效的点云分析轻型框架

    PointeNet 是一种专门用于点云分析的高效网络，通过轻量级的架构、低训练成本和即插即用功能，有效捕捉代表性特征，并在分类 / 分割头或嵌入到现成的 3D 物体检测网络中实现了明显的性能改进，尤其适用于自动驾驶等实际场景。

    Dec, 2023

  • PVNet: 一种基于点云和多视图的联合卷积网络用于三维形状识别

    本文介绍了一个新的 3D 形状识别框架：Point-View Network（PVNet），该框架整合了点云和多视角数据，并利用深度学习和嵌入式注意融合方案提高了 3D 形状的准确识别。

    Aug, 2018

  • PointNetLK: 使用 PointNet 实现鲁棒高效的点云配准

    本文提出了一种基于 Lucas & Kanade (LK) 算法的 PointNet 学习可变成像函数的方法，以便将其应用于点云配准问题，并且构建了一个单可训练的递归深度神经网络，提高了点云配准的计算效率以及推广到不同形状类别中的性能表现。

    Mar, 2019

  • PCRNet: 使用 PointNet 编码的点云配准网络

    该论文提出了一个新框架，利用 PointNet 表征对齐点云和执行注册，以实现跟踪，3D 重建和姿态估计等应用，能够根据点云的形状信息生成特定形状或通用的方法，并具有噪声和数据初始化错位的鲁棒性。

    Aug, 2019

  • 在点云中重新思考网络设计和本地几何：一个简单的残差 MLP 框架

    本文提出了一种名为 PointMLP 的纯残差 MLP 网络，它不使用复杂的局部几何提取器，但仍能表现出很高的竞争力，装备了提出的轻量级几何仿射模块，PointMLP 在多个数据集上都达到了新的最佳状态，相对于大多数最近的 CurveNet，PointMLP 的训练速度快两倍，测试速度快七倍，并在 ModelNet40 基准测试中获得更高的精度。

    Feb, 2022

  • 一个统一的基于点的 3D 分割框架

    针对 3D 点云的分割问题，我们提出了一种新的点云分割框架，该框架能有效地优化整个场景的像素级特征，几何结构和全局上下文先验。实验结果表明，该方法优于现有的一些最先进的方法，并探讨了在三维重建场景中合成相机姿态以获得更高的性能。

    Aug, 2019

  • 基于深度学习的三维点云分类：系统调查与展望

    该论文介绍了点云的获取、特点和挑战，回顾了点云分类的 3D 数据表示、存储格式和常用数据集，总结了基于深度学习的点云分类方法，并对最新研究进展进行了补充，对主要方法的性能进行了比较和分析，并讨论了点云分类面临的一些挑战和未来方向。

    Nov, 2023