学习点云内部关系
提出了一种名为 PRA-Net 的新型架构,包含 Intra-region Structure Learning(ISL)模块和 Inter-region Relation Learning(IRL)模块,用于强化点云分析的特征表示,既可以动态集成局部结构信息,也可以通过不同 iable 区域划分方案和代表点策略高效地自适应地捕获区域间关系。
Dec, 2021
本文介绍 Point-View Relation Network (PVRNet),一种有效的网络模型,来融合点云和多视角数据的特征,从而提取出一个统一的表示,用于三维形状的分类和检索,实验结果显示,和现有模型相比有了显著的性能提升。
Dec, 2018
本文提出了一种基于卷积神经网络的关系图网络模型,该模型利用方向特征、语义特征和空间坐标,结合盒子候选回归和点注意池化,探索关系图对于提高候选物体外观特征的影响,最终成功实现了在点云中检测三维物体的任务。
Nov, 2019
本文提出了一种新的图像特征提取器 —— 局部关系层,它基于局部像素对的组合关系自适应地确定聚合权重,从而更高效地将视觉元素组合成更高级别实体,提供更好的语义推理,通过局部关系层构建的神经网络(LR-Net)在大规模识别任务中具有比其卷积网络更大的建模能力,如 ImageNet 分类。
Apr, 2019
本研究提出了空间关系模块和通道关系模块,可用于学习和推理任何两个空间位置或特征图之间的全局关系,并产生关系增强的特征表示。研究团队在利用两个航空图像数据集进行的语义分割任务中使用这些模块,取得了相当优异的结果,比基准模型有显著提升。
Apr, 2019
本文提出了 RBGNet 框架,一种基于投票的 3D 检测器,用于从点云中精确检测 3D 物体。该框架使用基于射线的特征分组模块来聚合物体表面的点特征,以了解物体的形状以增强聚类特征,从而预测 3D 边界框。此外,作者还提出了一种新颖的前景偏置采样策略,以在下采样过程中采样更多物体表面上的点,并显着提高检测性能。
Apr, 2022
该研究提出了 RS-CNN 方法,即关系形状卷积神经网络,将规则网格 CNN 扩展为点云分析的不规则配置。RS-CNN 的关键是通过学习关系来实现点之间的几何拓扑约束,从而获得具有形状意识和鲁棒性的点云局部表达,实现了针对点云分析的上下文形状感知学习。实验结果表明,RS-CNN 达到了业界领先水平。
Apr, 2019
在大规模拥挤场景中,针对相互遮挡、严重尺度变化和复杂的空间分布等问题,通过充分利用人群特征从单目图像中重建人群,该研究提出了一种新颖的超图关系推理网络,用于建立人与群体之间的复杂和高阶关系相关性。实验结果表明,该方法在拥挤和常见场景中均优于其他基线方法。
Aug, 2023
本论文提出一种新型神经网络用于对 ALS 点云进行语义标注,名为全局关系感知注意网络 (GraNet),该方法首先使用一个本地空间注意卷积模块 (LoSDA) 学习本地几何描述和本地依赖关系,然后使用全局关系感知注意模块 (GRA) 学习任何空间位置和特征向量之间的全局空间和通道关系,以上两个重要模块嵌入多尺度网络架构中,实验结果表明,与其他常用高级分类方法相比,我们的方法在两个 ALS 点云数据集上均可获得更高的分类精度。
Dec, 2020