May, 2022

APP-Net: 基于辅助点的推拉操作实现高效点云分类

PDF
TL;DR提出了一种名为 APP 的新型点云分类本地聚合器，具有线性复杂度和较低内存消耗，通过引入辅助容器来交换特征，避免了每个源点的重复计算问题，并使用在线法线估计模块增强 APP 的建模能力。其在绝大多数数据集上达到了与其他网络可比较的准确度，每秒可处理超过 10,000 个样本且仅占少于 10GB 显存。
point cloud classificationlocal aggregatorlinear complexityauxiliary containerapp
发现论文，激发创造
  • 点云分析中局部聚合算子的深入研究

    该论文探究了局部聚合算子对网络性能的影响，并通过设计了一个简单的局部聚合算子 ——Position Pooling (PosPool) 来取得更好的性能，在标准基准测试中实现了最新的精度。

    Jul, 2020

  • 基于聚类巩固和分层的渐进亲和传播

    提出了 A-Posteriori 亲和传播 (APP) 方法，它是亲和传播 (AP) 的增量扩展，基于聚类合并和聚类分层，实现了增量聚类和时序聚类结果的保留，同时允许遗忘过时的聚类；通过与传统 AP 和基于最近邻分配的增量亲和传播 (IAPNA) 算法的性能对比实验证明，APP 在保证可扩展性的同时实现了可比较的聚类性能。

    Jan, 2024

  • APNet: 都市级别航拍图像和点云的场景分割

    我们专注于城市场景点云的语义分割方法，提出了一种名为 APNet 的网络架构，利用不同上下文信息和网络架构的协同利用，将点云分支和航空影像分支进行几何感知融合，以达到数据融合的最佳性能。实验证明，融合模块的输出始终优于各个网络分支的结果，并且 APNet 在 SensatUrban 数据集上取得了 65.2 的 mIoU 的最新性能。

    Sep, 2023

  • 使用简单有效的基准方法重新考虑点云形状分类

    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。

    Jun, 2021

  • APR：通过点云重构进行在线远程点云配准

    本文提出一种名为 APR 的新型特征提取框架，该框架利用自编码器设计重建了一个带有几个帧的密集聚合点云，从而提取具有丰富局部几何信息的特征进行在线的远程点云配准。实验结果表明，APR 较 KITTI 和 nuScenes 数据集上的其他特征提取器表现更优秀。

    May, 2023

  • PU-Net: 点云上采样网络

    本文提出了一种数据驱动的三维点云上采样技术，通过在特征空间中隐式地学习多层次特征并扩展点集，进而构建高密度点集，并在表面均匀分布的基础上实现采样点的重构，实验结果表明该方法的优越性。

    Jan, 2018

  • EC-Net：一种边缘感知的点集融合网络

    介绍了第一种基于深度学习的边缘感知技术，用于辅助点云的合并。通过处理本地 patches 中的点并训练其以学习和有针对性地巩固点，并且通过回归组件来恢复 3D 点坐标和点到边缘距离，并采用边缘感知的联合损失函数直接最小化输出点到 3D 网格和边缘之间的距离。

    Jul, 2018

  • 基于辅助点引导的点估计人群计数和定位的改进

    使用辅助点导引和点匹配的策略来改善人群计数和定位方法的不稳定性，通过自适应特征提取在不同的人群场景中增强模型的鲁棒性和准确性。

    May, 2024

  • 众包中的点数计数与定位：纯基于点的框架

    本文提出了一种基于点的框架用于联合人群计数和个体定位，通过密度归一化平均精度（nAP）来提供更全面和精确的性能评估，并使用决策匈牙利算法将最优的学习目标分配给所述一组点候选项，从而明确实现这一新颖想法的关键步骤。

    Jul, 2021

  • 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