CVPRJun, 2022

LargeKernel3D：对 3D 稀疏卷积神经网络中的卷积核进行扩展

PDF
TL;DR本文提出空间分割卷积及其大卷积核模块来解决直接应用大卷积核在 3D CNNs 中遇到的困难，大卷积核 3D CNN 网络可以用于语义分割和物体检测，取得了较高的性能，说明大卷积核在 3D 视觉任务中是可行并且必不可少的。
发现论文，激发创造
  • LSK3DNet：面向大规模稀疏核的高效理解 3D 感知

    本文提出了一种高效且有效的大规模稀疏 3D 神经网络（LSK3DNet），利用动态修剪扩大 3D 卷积的尺寸，通过空间动态稀疏和通道权重选择的核心组件，实现了对大规模稀疏 3D 核的学习，提升性能的同时大幅减少模型大小和计算成本，取得了语义 KITTI 上的最新性能。

    Mar, 2024

  • 卷积神经网络中大型卷积核设计的再思考：将卷积核扩展至 31x31

    本文研究卷积神经网络中大核设计在现代网络中的应用，提出了五个指南以设计高效的，基于大卷积核的 CNN，并使用 RepLKNet 网络来实现可以与 ViTs 相媲美的结果，具有很好的方法可扩展性和性能表现优势。

    Mar, 2022

  • 大核心很重要 —— 通过全局卷积网络提高语义分割

    论文提出了一种全局卷积网络，用于解决语义分割中分类和定位问题，并且在两个公共基准数据集上实现了最新的性能。

    Mar, 2017

  • 2020 年代更多的 ConvNets：使用稀疏性将核心扩展到超过 51x51

    本论文研究了在极端卷积核上训练和验证了能够光滑扩展卷积核的方法，提出了一种基于此方法的纯卷积神经网络结构 SLaK，可以在图像分类和各种下游任务中实现与分层变压器和现代 ConvNet 结构相当甚至更好的性能表现。

    Jul, 2022

  • LinK: 基于激光雷达的三维感知的线性核

    提出了一种名为 LinK 的方法，通过使用线性卷积核生成器和重复利用重叠块中预先计算的聚合结果来扩展感受野，从而成功实现每个体素在 21x21x21 范围内感知上下文，并在三维物体检测和语义分割任务中取得了显着表现。

    Mar, 2023

  • 基于图卷积核的三维点云物体检测

    该研究提出了一种基于 2D 透视范围图像的卷积神经网络架构方法，可用于直接从范围图像视图学习 3D 表示。通过利用本地几何和跨模态融合处理，该方法在行人检测方面的 AP 从 69.7％提高到 75.5％，同时模型参数和操作速度均表现良好。

    Jun, 2021

  • 在移动设备上实现 3D 卷积神经网络的实时执行

    该论文提出了 RT3D 框架，将神经网络权重修剪和编译器代码生成技术无缝集成，以实现 3D CNN 的模型压缩和移动加速。 RT3D 在现有支持 3D CNN 的移动框架中实现了高达 29.1 倍的推理时间加速，具有适度的 1％-1.5％准确度损失。

    Jul, 2020

  • 大规模数据集是否可以进一步增强时空三维卷积神经网络？

    在视频识别中，使用大规模视频数据集和 3D CNN 来改善空时 3D CNN 的性能。通过构建数据集和扩充视频数据集的方法，将网络深度增加到 200 层，并使用 ResNet，使 Kinetics-700 和混合数据集预训练模型的识别性能提高到 200 层，而 Kinetics-400 预训练模型无法成功优化 200 层的架构。

    Apr, 2020

  • 稀疏 3D 卷积神经网络

    研究了用于处理稀疏三维输入数据的卷积神经网络，并以 2D 三角晶格和 3D 四面体晶格的 CNN 效率为研究重点，适合于 3D 物体识别和时空对象分析等应用。

    May, 2015

  • 资源高效的三维卷积神经网络

    本文研究了如何将现有的资源有效的 2D 卷积神经网络转换为 3D 卷积神经网络，并测试了它们在不同复杂度水平下的性能和实时性能，结果表明这些模型可以应用于各种实际应用程序，提供了可观的准确性和内存使用。

    Apr, 2019