ECCVJul, 2022

3D 实例作为 1D 核函数

PDF
TL;DR该研究引入了一种三维实例表示方法 - 实例核，通过借鉴 2D/3D 实例分割中动态卷积的思想，使用一维向量编码三维实例的语义、位置和形状信息，以便于轻松的进行实例掩模推理，同时避免了标准的 3D 实例分割流水线中建议或启发式聚类算法的大量依赖。最终，DKNet 在 ScanNetV2 和 S3DIS 数据集上的表现超过了现有技术。
3d instance representationinstance kernelsdynamic convolutionsinstance segmentationpoint cloud data
发现论文，激发创造
  • DyCo3D：通过动态卷积实现稳健的三维点云实例分割

    研究了点云（point cloud）语义实例分割的问题，提出了一种动态的、无需生成建议、数据驱动的方法，可以根据实例的特点生成适当的卷积核，在几个简单的卷积层中解码实例，并采用小型轻量级 Transformer 来捕捉点样本之间的长距依赖和高级别交互。该方法在 ScanetNetV2 和 S3DIS 数据集上均取得了良好的结果，在超参数选择上具有鲁棒性，并且比最先进的方法可提高 25% 以上的推理速度。

    Nov, 2020

  • ISBNet：一种具有实例感知采样和盒感知动态卷积的 3D 点云实例分割网络

    ISBNet 是一种新颖、高效的三维实例分割方法，通过使用核来表示实例并通过动态卷积解码实例掩码，预测和利用三维轴对齐的边界框将进一步提高性能。实验结果表明，该方法在 ScanNetV2、S3DIS 和 STPLS3D 数据集上取得了最新的最优表现。

    Mar, 2023

  • PointInst3D：通过点对三维实例进行分割

    该研究论文提出了一种全卷积 3D 点云实例分割方法，采用逐点预测方式，避免聚类方法中的任务依赖问题，并使用 Optimal Transport 方法根据动态匹配成本为每个采样点分配目标掩模，显著提升了场景的分割精度，成为比其他方法更简单灵活的 3D 实例分割框架。

    Apr, 2022

  • 基于形状生成器和分类器的实例感知三维语义分割

    本文提出了一种新颖的面向实例的方法，用于 3D 语义分割，通过结合几个在实例级别监督的几何处理任务来促进学习到的特征表示的一致性，具体方法使用形状生成器和形状分类器来执行每个形状实例的形状重建和分类任务，从而使特征表示能够忠实地编码结构和局部形状信息，并意识到形状实例。在实验中，我们的方法在多个公共基准数据集（如 Waymo Open Dataset、SemanticKITTI 和 ScanNetV2）上明显优于现有的 3D 语义分割方法。

    Nov, 2023

  • 3DContextNet：利用局部和全局上下文线索，通过 K-d 树引导的分层点云学习

    本文提出了一种基于 k-d 树的方法，旨在同时利用点云的局部和全局背景信息，通过沿树结构逐步学习表征向量，从而生成区分度强的点集特征。实验证明，该方法在 3D 场景语义分割等任务上明显优于现有的方法。

    Nov, 2017

  • LargeKernel3D：对 3D 稀疏卷积神经网络中的卷积核进行扩展

    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。

    Jun, 2022

  • K-Net：面向统一图像分割

    本文提出了一种名为 K-Net 的统一、简单、有效的框架，通过一组可学习的内核一致地分割实例和语义类别

    Jun, 2021

  • 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

  • 多任务度量学习实现的三维实例分割

    提出了一种多任务学习策略来解决三维实体标记问题，该方法可以 accurately separate 连通的和扫描不完整的对象，实验表明该方法在 ScanNet 数据集上实现了最先进的性能。

    Jun, 2019

  • 带有结构感知损失函数的 3D 图嵌入学习在点云语义实例分割中的应用

    本论文提出了一种新的 3D 语义实例分割方法，利用子流形稀疏卷积网络同时生成语义预测和实例嵌入，通过结构感知的损失函数和基于关注度的 k 最近邻算法获取区分嵌入，加入图卷积网络以获取精细嵌入并输出语义和实例预测，实验结果表明该方法在 ScanNet 基准和 NYUv2 数据集上优于所有最先进方法.

    Feb, 2019