May, 2022

利用元语义学习进行 3D 模型 ShapeNet Core 分类

PDF
TL;DR本文介绍了一种称为元语义学习 (Meta-SeL) 的方法，该方法利用两个输入的 3D 局部点（输入 3D 模型和部分分割标签），提供了一种时间和成本高效、精确的投影模型，用于许多 3D 识别任务。根据结果表明，Meta-SeL 在与其他复杂的最新研究的比较中，表现出了竞争性能。此外，Meta-SeL 对随机洗牌不变性具有弹性，也对平移和抖动噪声有较高的鲁棒性。
发现论文，激发创造
  • 一种可微元学习模型用于少样本语义分割

    该研究提出了一种基于元学习的新框架 MetaSegNet，通过全局和局部特征分支，在元学习中提取少样本语义分割的适当元知识，并将线性模型集成到 MetaSegNet 中，以实现一次性精确地多目标分割。实验结果表明，该方法在 K 路少样本语义分割任务中表现出良好的效果。

    Nov, 2019

  • MetaSets: 基于点集的元学习用于泛化表示

    本文提出了一种名为 MetaSets 的方法，通过元学习点云表示来解决点云通用表示的问题，并设计了两个基准用于三维点云的仿真到真实转移，实验结果表明 MetaSets 大大优于现有的三维深度学习方法。

    Apr, 2022

  • 基于深度学习的三维实例与语义分割：一份综述

    该研究主要讨论了基于深度学习的三维分割在点云数据处理中的应用，并评估了不同分割算法对不同数据集的竞争力以及最常使用的处理流程、其优势、限制、未来研究方向等。

    Jun, 2024

  • Semantic3D.net：一个新的大规模点云分类基准

    本文介绍了一个新的 3D 点云分类基准数据集，其中包含超过 40 亿个手动标记的点，用于数据密集型的（深度）学习方法。使用深度卷积神经网络（CNNs）作为工作马的初始提交已经显示出相对于现有技术具有显著的性能改进。我们提供了基线方法描述和通过我们的在线系统提交方法之间的比较。我们希望 Semantic3D.net 能够为 3D 点云标注中的深度学习方法铺平道路。

    Apr, 2017

  • 标签高效的点云语义分割：一种主动学习方法

    本研究提出了一种主动学习方法，并通过限制注释费用来确定适当的样本粒度进行主动选择，结果表明基于超点的样本选择比点级和实例级选择使用有限预算更有效，并进一步利用本地一致性约束来提高超点选择方法的性能，在 ShapeNet 和 S3DIS 两个基准数据集上评估了我们的方法，结果表明主动学习是解决语义点云分割中高注释成本的有效策略。

    Jan, 2021

  • 深度学习技术在三维点云分类和语义分割中的综述

    本研究综述了深度学习在点云处理中的最新进展、挑战和潜在研究方向，重点关注点云分析中的 3D 形状分类和语义分割两个主要任务。

    May, 2024

  • SEGCloud：3D 点云的语义分割

    本研究介绍了 SEGCloud，一种利用三线性插值和完全连接条件随机场等方式得到端到端三维点级分割的框架，可实现对室内和室外三维数据集进行准确的场景标注。

    Oct, 2017

  • 3D-MiniNet: 从点云学习 2D 表示，用于快速高效的 3D 激光雷达语义分割

    本研究提出了一种新的 LIDAR 语义分割方法，称为 3D-MiniNet，该方法结合了 3D 和 2D 学习层。该方法利用投影学习模块提取 3D 数据的局部和全局信息，并通过后处理模块将 2D 语义标签重新投影到 3D 空间中，在 SemanticKITTI 和 KITTI 公共基准测试中表现出比以前的方法更快、更节约参数的优势，并得到了最先进的结果。

    Feb, 2020

  • MetaSegNet: 基于元数据协同的视觉语言表示学习用于遥感图像语义分割

    我们提出了一种基于视觉 - 语言表示学习的元数据协作多模态分割网络（MetaSegNet），该网络用于遥感图像的语义分割，并展示了卓越的泛化性能和与现有方法相竞争的准确性。

    Dec, 2023

  • 深度投影三维语义分割

    本文提出了一种基于 2D-CNN 和多模态网络架构的点云语义分割方法，将点云数据投影到 2D 平面，避免了 3D-CNN 方法中立方体体素化降低空间分辨率和增加内存消耗的限制，并在 Semantic3D 数据集上达到了相对增益 7.9％的最新最佳结果。

    May, 2017