MMJan, 2023

点云学习的动态局部特征聚合

PDF
TL;DR本文提出了一种动态特征聚合 (DFA) 方法，通过在特征域内构建局部图，进行 k - 最近邻探索潜在位置和特征相似性信息，结合原始点云低维全局特征表达，以增强特征表示，从而有效地进行点云分类。
point clouddynamic feature aggregationgraphsemantic feature encodingclassification
发现论文，激发创造
  • 通过膨胀的图形特征聚合和金字塔解码器进行点云场景的语义分割

    该论文提出了一种名为 DGFA-Net 的图卷积神经网络，该网络应用多尺度感受野和基于金字塔的解码器来进行在点云上的语义分割，实验表明此方法的性能优于现有方法。

    Apr, 2022

  • 点云学习的分离式局部聚合

    基于点云的本地聚合方法，将空间关系与特征融合解耦，通过点卷积和边缘最大池化进行聚合，实验结果表明其在性能和延迟上取得了显著进展。

    Aug, 2023

  • LSANet：通过本地空间感知层对点集进行特征学习

    该论文设计了一种新颖的 LSA 层，可以学习生成基于局部区域内的空间关系的空间分布权重，从而捕捉局部几何结构，进一步提出了基于 LSA 层的 LSANet，可以更好地在网络设计中汇聚特征与空间信息。实验表明，我们的 LSANet 在评估具有挑战性的基准数据集时可以达到和甚至更好的性能。

    May, 2019

  • 基于点云的节点级拓扑表示学习

    通过离散拓扑学和微分几何的概念，我们提出了一种从复杂点云中提取节点级拓扑特征的新方法，并验证了这些拓扑点特征在合成和真实数据上的有效性以及其对噪声的鲁棒性。

    Jun, 2024

  • 通过分离特征聚合实现细节保留点云补全

    本文提出了两种特征聚合策略 (global&local feature aggregation，GLFA 和 residual feature aggregation，RFA) 来表示缺失的部分和已知的部分，并设计了精细化组件以防止生成的点云具有不均匀分布及异常值。在 ShapeNet 数据集上进行了广泛的实验，定性和定量评估表明我们提出的方法在细节保留方面优于当前最先进的方法。

    Jul, 2020

  • 高效的点云处理动态令牌聚合点变换器

    提出了一种高效的基于 DTA 的前向（DTA-Former）方法，用于点云表示和处理，通过逐渐优化令牌的语义特征和语义关系，实现了在模型 Net40，ShapeNet 和航空多光谱 LiDAR（MS-LiDAR）数据集上超越先前点变换器的 SOTA 性能 30 倍更快。

    May, 2024

  • 激光雷达语义分割中利用密度判别特征嵌入的领域泛化

    通过引入一种新的方法，即密度识别特征嵌入（DDFE）模块，以及一种简单而有效的密度增强技术，本研究解决了激光雷达感知中的领域泛化问题，并在各种三维主干网络中持续优于现有的领域泛化方法。

    Dec, 2023

  • DNA: 去噪的邻域聚合用于精细颗粒类别发现

    从粗略标记的数据中发现细粒度类别是一项实用且具有挑战性的任务，本文提出了一种自我监督的框架 ——Denoised Neighborhood Aggregation (DNA)，它能够将数据的语义结构编码到嵌入空间中，通过聚合邻居信息来学习紧凑的聚类表示，并能够捕捉到数据之间的语义相似性和形成紧凑的细粒度聚类。

    Oct, 2023

  • 学习紧凑的几何特征

    通过优化映射高维直方图到低维欧氏空间的深度网络，学习代表无序点云中点周围局部几何的特征，其表现出比现有局部特征更高的精度、紧凑性和鲁棒性，可在机器人和三维视觉的不同应用中进行几何配准。

    Sep, 2017

  • 图神经网络中的动态邻居聚合：Just Jump

    本文提出了一种基于多头注意力的动态邻域聚合（DNA）过程，用于图形表示学习，通过选择性和节点自适应聚合来聚合邻域嵌入，以避免过拟合，并控制输入和输出之间的通道连接，通过分组线性投影实现。本方法有效地解决了节点分类问题。

    Apr, 2019