CVPRMay, 2022

SemAffiNet: 基于语义仿射变换的点云分割方法

PDF
TL;DR提出了一种称为 SemAffiNet 的基于 Transformer 模块的点云语义分割方法，其中采用了语义仿射变换技术来增强中层特征的语义信息，以解决传统方法中对局部几何的过度依赖，有效提高了整体分类效果。
point cloudsemantic segmentationmid-level featuressemantic-affine transformationtransformer module
发现论文，激发创造
  • 多模态亲和推断弱监督 3D 语义分割

    本文提出了一种简单而有效的基于场景级弱监督的点云分割方法，引入了多模态点亲和度推理模块，利用从多个模态（如点云和 RGB）得到的特征来特征化提出的点亲和度，并通过归一化分类器权重来减轻长尾分布的不利影响，无需事先知道类别分布的先验信息。通过在 ScanNet 和 S3DIS 基准测试上进行的大量实验证实了我们提出方法的有效性，其 mIoU 指标优于现有技术水平 4% 至 6%。

    Dec, 2023

  • (AF) 2-S3Net: 基于自适应特征选择的注意力特征融合稀疏语义分割网络

    本文介绍了一种基于 AF2-S3Net 的端到端编解码 CNN 网络，用于 3D LiDAR 语义分割，并在大规模 SemanticKITTI 基准测试上展示了其优越性能。

    Feb, 2021

  • 快速点变换器

    本文介绍了一种基于 Fast Point Transformer 的新型轻量级自我关注层的方法，用于对大型 3D 场景进行处理和提高计算效率，并应用于 3D 语义分割和 3D 检测，具有与基于体素的最佳方法相竞争的准确性和比 Point Transformer 更快的推理时间。

    Dec, 2021

  • 基于分割先验的区域自适应变换图像压缩

    通过使用类别 - 不可知分割掩模和区域适应转换，本文提出了一种改进的学习图像压缩方法，以提高像素保真度和比特率节省。

    Mar, 2024

  • 超点 Transformer 实现高效三维语义分割

    本篇论文介绍一种新的基于超像素点的变压器架构，用于高效地语义分割大规模 3D 场景。

    Jun, 2023

  • 利用局部和全局结构进行点云语义分割，使用上下文点表示

    本篇论文使用上下文点表示方法，提出了一种基于点云局部和全局结构的创新模型，使用门控融合和图形点网络模块进行语义分割，借助空间性和通道性的注意力策略，以 S3DIS 和 ScanNet 数据集为基础，效果超过现有最先进的方法。

    Nov, 2019

  • 面向点云分割的动态聚类变换网络

    该研究提出了一种新的三维点云表示网络，称为动态聚类变换网络（DCTNet），它利用编码器 - 解码器架构来学习全局和局部特征，并提出了新的语义特征动态采样和聚类方法以及一个高效的语义特征引导上采样方法，验证了其在点云分割任务上的性能优于现有的最先进模型。

    May, 2023

  • 一个统一的基于点的 3D 分割框架

    针对 3D 点云的分割问题，我们提出了一种新的点云分割框架，该框架能有效地优化整个场景的像素级特征，几何结构和全局上下文先验。实验结果表明，该方法优于现有的一些最先进的方法，并探讨了在三维重建场景中合成相机姿态以获得更高的性能。

    Aug, 2019

  • 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

  • 区域变换器：自注意力区域基点云分割

    基于区域转换器的自我注意力机制的增长式点云分割模型优于以往的通用类和特定类方法，通过自我注意力捕捉远距离依赖关系，在训练过程中避免了对语义标签的需求，适用于灵活的点云分割，并可应用于机器人技术、数字化双生和自动驾驶等领域。

    Mar, 2024