RPR-Net: 基于点云旋转感知的大规模地点识别网络
本文提出了一种点云学习框架 PRIN,其中通过密度感知自适应采样构造球形信号来处理球形空间中的扭曲点分布并利用球形体素卷积和点重新采样来提取每个点的旋转不变特征。该框架在物体分类、部分分割和 3D 特征匹配方面具有可应用性,并且在没有任何数据增强的情况下,在随机旋转的点云数据集上展现出比现有方法更好的性能。同时,本文提供了对通过该方法实现的旋转不变性的理论分析。
Nov, 2018
提出一种对点云数据具有旋转不变性的点投影特征方法,可以提取严格的点云识别和分割的旋转不变表示,无需数据增强,并且优于其他最先进的方法。
Nov, 2019
提出了一种使用 Vector Neurons Network (VNN) 实现 SO (3) 旋转不变性的新方法,通过提取邻近点的旋转等变特征并通过 VNN 将低维特征映射到高维空间,然后在旋转等变特征空间中计算欧氏距离和余弦距离作为旋转不变特征描述符,最后使用 GeM 池化将特征聚合成全局描述符,实验证明该方法在处理旋转问题时明显优于其他基准方法并与当前最先进的不考虑旋转问题的地点识别方法取得可比较的结果。
Aug, 2023
本文提出了一个全新的点集学习框架 PRIN,即点式旋转不变网络,通过密度感知自适应抽样构建球形信号来解决点云在球形空间上的扭曲分布,运用球形体素卷积和点重采样来提取每个点的旋转不变特征,同时将 PRIN 扩展到一种稀疏版本 SPRIN,直接操作于稀疏点云。两种方法都适用于从对象分类、部分分割到三维特征匹配和标签对齐等任务,结果表明,对于随机旋转点云的数据集,SPRIN 实现了比最先进的方法更好的性能,且无需使用任何数据增强。我们还为方法实现的点式旋转不变性提供了深入的理论证明和分析。
Feb, 2021
提出了一种名为 LCPR 的新型神经网络,该网络融合 LiDAR 点云和多视角 RGB 图像,生成环境的具有区分性和偏航旋转不变性的表示,从而提高了地点识别性能并保持了对视角变化的强鲁棒性。
Nov, 2023
本文介绍了一种新的方法来实现点云数据的旋转不变性,使用局部几何特征和全局拓扑特征相结合的局部 - 全局表示网络。该网络使用多层感知器做注意力机制来融合两种旋转不变性特征,并在模型识别任务上取得了最先进的效果。
Nov, 2019
本文提出一种简单且有效的卷积算子,通过设计强大的旋转不变特征来增强特征描绘能力,实现旋转不变性,并在真实和合成的点云分类、部分分割和形状检索实验中取得了挑战性旋转下的最先进精度。
Feb, 2022
本文提出了一种名为 Rotation-Invariant Completion Network (RICNet) 的网络,它由两个部分组成:双流水线完成网络 (DPCNet) 和增强模块。RICNet 在特征提取方面实现了更好的旋转不变性,并结合了人造对象的结构关系。实验证明,与现有方法相比,RICNet 在点云的完成性能上表现出更好的表现。
Aug, 2023
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
提出了一种改进的多 DrosoNet 定位系统,名为 RegionDrosoNet,具有显著提高的 VPR 性能和低计算复杂度,充分考虑了外部模型差异,并引入了新的投票模块来组合所有 DrosoNet 的输出以得出最终的位置预测结果,该方法在处理外观变化和视点变化时表现优异,并且能够以计算复杂方法在线推断时间的一小部分来竞争一些基准数据集。
Dec, 2023