通过膨胀的图形特征聚合和金字塔解码器进行点云场景的语义分割
提出了一种基于 2D 监督的新型深度图卷积网络框架,用于大规模语义场景点云的分割,通过 Graph-based Pyramid Feature Network 和 Observability Network 可以隐式推断点集的全局和局部特征,并提出了一个 2D-3D 联合优化策略用于优化投影过程中的语义信息的加入, 即使只有单个训练样本的情况下,也能够进行自然场景下的 3D 分割训练,扩展实验在 SUNCG 和 S3DIS 数据集上证明了这种 2D 监督框架在语义点云分割方面的有效性。
Apr, 2020
本文提出了一种动态特征聚合 (DFA) 方法,通过在特征域内构建局部图,进行 k - 最近邻探索潜在位置和特征相似性信息,结合原始点云低维全局特征表达,以增强特征表示,从而有效地进行点云分类。
Jan, 2023
本文提出了一种名为 DFANet 的极其高效的卷积神经网络架构,用于在资源有限的情况下进行语义分割。通过子网络和子阶段级联聚合区分特征,通过多尺度特征传播,DFANet 大大减少了参数数量,并提高了模型学习能力,在速度和分割性能之间取得平衡。在 Cityscapes 和 CamVid 数据集上的实验证明了 DFANet 具有比现有最先进的实时语义分割方法快 2 倍,FLOPs 少 8 倍的卓越性能,同时提供可比较的准确性。具体而言,它在 Cityscapes 测试数据集上实现了 70.3%的 IOU 平均值,仅使用 1.7 GFLOPs,并在一张 NVIDIA Titan X 卡上以 160 FPS 的速度进行推断,在更高分辨率图像上推断时,实现了 71.3%的 IOU 平均值和 3.4 GFLOPs。
Apr, 2019
本文提出了两种特征聚合策略 (global&local feature aggregation,GLFA 和 residual feature aggregation,RFA) 来表示缺失的部分和已知的部分,并设计了精细化组件以防止生成的点云具有不均匀分布及异常值。在 ShapeNet 数据集上进行了广泛的实验,定性和定量评估表明我们提出的方法在细节保留方面优于当前最先进的方法。
Jul, 2020
本文提出一种改进的拉普拉斯算子将图形卷积引入语义分割任务中,并在特征空间中直接执行图形推理,以保留空间关系,并从不同尺度探索多个远程上下文模式的空间金字塔,结果表明,该方法在减少计算和内存开销方面具有可比性
Mar, 2020
本文介绍了一种 Denser Feature Network 用于视觉定位,提出了一种新型的卷积神经网络,采用更密集的特征图来提高图像检索准确性和关键点特征的重复性,仅需要正负 GPS 标记图像对来训练模型。实验表明,该方法在四个具有挑战性的大规模定位基准测试和三个图像检索基准测试上都取得了优秀的表现。
Dec, 2020
本文提出了一种名为 tree-GAN 的新型生成对抗网络用于 3D 点云生成,并引入树形图卷积网络 (TreeGCN) 作为 tree-GAN 的生成器以提高特征的表示能力,通过引入评估指标 FPD 来准确评估 3D 点云 GAN,实验结果表明了 tree-GAN 在传统度量和 FPD 方面都优于现有的 GAN,并且可以生成不同语义部分的点云。
May, 2019
该研究提出了一种称为几何去耦合注意力网络(GDANet)的深度学习模型,用于将 3D 对象的点云分解成轮廓和平坦的部分,并在整合时实现语义精炼,从而实现更好的 3D 对象分类和分割。
Dec, 2020
本研究基于图形注意力机制,提出了一个新的神经网络 GAPNet,用于学习点云中的局部几何表示,并且在形状分类和部分分割任务中,取得了最先进的性能。
May, 2019
融合几何特征和深度学习网络的立面级别点云分类方法提高了深度学习方法的性能,可以用来补偿深度学习网络在捕捉局部几何信息方面的能力,并推动语义分割的进展。
Feb, 2024