Apr, 2023

SE-ORNet：自我集成方向感知网络，用于无监督点云形状对应

PDF
TL;DR提出一种自我集成的有方向性网络 (称为 SE-ORNet)，用于解决无监督点云形状对应的难题，能够对齐点云对的方向，有效减轻对称部分的误差预测，同时还采用了自我集成框架，通过数据增强和预测一致性的约束，克服了点云噪声的干扰，实验结果表明，该方法能够超过现有的无监督点云形状对应方法。
unsupervisedpoint cloudshape correspondenceorientationself-ensembling
发现论文，激发创造
  • 通过方向估计进行点云的自监督学习

    本文提出了一种基于 3D 自监督学习的点云学习方法，通过旋转点云实现无标签的自我监督，在形状分类和 3D 关键点预测等任务上表现出色，学习到的特征优于其他自监督方法。

    Aug, 2020

  • 无监督模板辅助点云形状对应网络

    非监督点云形状对应旨在建立源点云和目标点云之间的点对点对应关系。本文提出了一种无监督模板辅助点云形状对应网络（TANet），包括模板生成模块和模板辅助模块。通过多方面运用生成的模板来建立更准确的形状对应关系，TANet 在人类和动物数据集上的广泛实验表明其在性能上胜过现有的方法。

    Mar, 2024

  • SOE-Net：一种用于基于点云的场所识别的自注意力和方向编码网络

    介绍了一种基于自注意力和定向编码网络的点云数据识别方法，通过采用 Hard Positive Hard Negative 四元组损失函数和采样方法，取得优于现有方法的性能表现。

    Nov, 2020

  • 点云法线估计的非对称孪生网络

    通过应用合理的约束条件，我们在干净点云和有噪点云上学习得到的内在特征的一致性，提出了一种改进正常估计质量的方法，并引入一个包含不同噪声级别的多视角正常估计数据集，通过评估现有方法在该数据集上的表现发现其过拟合问题，持久实验证明了我们的特征约束机制能够有效改进现有方法并降低当前架构中的过拟合现象。

    Jun, 2024

  • CorrNet3D: 3D 点云密集对应的无监督端到端学习

    本文介绍了一种基于无监督和端到端深度学习的框架 CorrNet3D，以学习 3D 形状之间的密集对应关系，并证明了其相对于最先进的方法具有更好的性能，源代码和预先训练好的模型可通过链接获得。

    Dec, 2020

  • SO-Net：用于点云分析的自组织网络

    本文介绍了 SO-Net，它是一种适用于无序点云的置换不变性架构，通过建立自组织映射（SOM）建模点云的空间分布，通过对点和 SOM 节点进行分层特征提取，最终将输入点云表示为单个特征向量。网络的感受野可以通过点到节点 k 近邻搜索进行系统调整， 在点云重建、分类、对象部分分割和形状检索等识别任务中，我们提出的网络表现出与最先进的方法相似或更好的性能。此外，由于所提出的架构的可并行性和简单性，训练速度显著快于现有点云识别网络。

    Mar, 2018

  • 自监督等变学习用于定向关键点检测

    本文提出了一种使用旋转卷积神经网络的自监督学习框架，通过生成的图像对和直方图来训练密集方向对准损失，从而学习检测具有鲁棒性的定向关键点，并在图像匹配和相机姿态估计基准测试中表现出优异的性能。

    Apr, 2022

  • SE-SSD：基于点云的自集成单阶段目标检测器

    SE-SSD 是一种有效的基于单级检测器的自组装方法，可以准确地检测外部点云中的三维物体，并使用软和硬目标的约束来联合优化模型，最终达到比所有先前已发表作品更好的性能。

    Apr, 2021

  • SRINet：用于点云分类和分割的严格旋转不变表征学习

    提出一种对点云数据具有旋转不变性的点投影特征方法，可以提取严格的点云识别和分割的旋转不变表示，无需数据增强，并且优于其他最先进的方法。

    Nov, 2019

  • SAR-Net：基于形状对齐和恢复的类别级别 6D 物体姿态和尺寸估计网络

    本研究提出了一种基于类别 6D 物体姿态和大小估计（COPSE）模型的方法，能够从目标物体的点云中推断出物体的 3D 旋转、平移和大小，其中主要依赖深度图像中的形状信息，并通过预测对称的点云来实现对于物体的对称对应估计，此方法在物体抓取等任务中已经应用并发挥了良好的效果。

    Jun, 2021