Mar, 2022

InCloud: 基于点云的增量学习用于地点识别

PDF
TL;DR介绍了一种基于结构感知的基于蒸馏的方法 InCloud，用于点云位置识别的增量学习，可以提升网络在不同数据集上的表现，并且适用于各种不同的网络架构。
place recognitionroboticsdeep learningincremental learningpoint cloud
发现论文，激发创造
  • 稀疏数据下基于类别增量和粗细策略的 LiDAR 语义分割的持续学习

    本文探究了点云语义分割中类增量学习的问题，比较了不同的连续学习策略和先进的架构，并且在 SemanticKITTI 数据集上获得了与现有方法相当的效果。

    Apr, 2023

  • 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

  • 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

  • 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

  • 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

  • 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

  • PointNetVLAD: 基于深度点云的大规模场所识别检索

    本研究提出了 PointNetVLAD 方法，结合 PointNet 和 NetVLAD 模型，通过端到端的训练和推理从给定的 3D 点云中提取全局描述符，并使用 “lazy triplet and quadruplet” 损失函数来实现更具有判别性和可推广性的全局描述符以解决点云识别的问题，并创建了基准数据集以实现其可行性。

    Apr, 2018

  • 探索 3D 点云理解的上下文学习

    介绍了一种特别用于 3D 点云中上下文学习的新框架 Point-In-Context，利用联合采样模块和有效提示选择策略达到了优于单独训练模型的性能。

    Jun, 2023

  • PointCLIMB: 一种无标杆点云类增量基准测试

    本文提出了 PointCLIMB 模型，探究了一种在点云数据中使用无样本类增量学习的方法，并在 ModelNet40 数据集上进行了展示。

    Apr, 2023

  • 基于聚类的点云表示学习用于三维分析

    基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。

    Jul, 2023