Apr, 2023

GPr-Net：几何原型网络用于点云少样本学习

PDF
TL;DR提出了一种轻量级的计算几何原型网络 GPr-Net，结合基于向量的手工内在几何量子化器和拉普拉斯向量等相关方法，旨在解决点云匮乏和无序性等问题，并使用超几何空间来处理分布漂移问题，结果表明在计算机效率和精确度上优于所有已有的点云小样本学习方法。
3d-computer visionpoint cloudfew-shot learninggeometric prototypical networkhyperbolic space
发现论文，激发创造
  • 3DTI-Net: 使用动态 GCN 学习内部变换不变的三维几何特征

    本论文提出了一种基于局部图表示的点云学习框架，通过学习内部的三维几何特征并使用基于图卷积网络的特征提取网络来实现三维变换不变性，这种方法在分类和分割任务中取得了最先进的性能和有竞争力的性能，具有重要的研究意义。

    Dec, 2018

  • 用于三维点云分类和分割的几何共享网络

    本文提出了 Geometry Sharing Network (GS-Net) 解决了近几年对于使用深度卷积神经网络对 3D 点云进行分类时，如何处理数据的几何变换问题，实验结果表明 GS-Net 可以提高软件对于这些变换的鲁棒性。

    Dec, 2019

  • GeoNet: 基于深度测地线网络的点云分析

    GeoNet 是第一个深度学习结构用于对点云表达的曲面的内在结构建模，通过使用 GeoNet 与 PU-Net 和 PointNet ++ 等基线或骨干网络的融合方案来改善多个代表性任务的现有方法，包括点上采样、法向量估计、网格重建和非刚性形状分类。

    Jan, 2019

  • PUGeo-Net：一个针对三维点云上采样的几何中心网络

    本文提出了一种基于深度神经网络的方法 PUGeo-Net 用于处理点云密集化，从而描述底层几何结构，不仅可用于 CAD 模型的尖锐特征，也可用于具有丰富几何细节的扫描模型，同时实现了生成定点坐标和该点法线并存的任务。

    Feb, 2020

  • 基于样本原型适应和投影的少 / 零样本三维点云语义分割

    本文提出了 Query-Guided Prototype Adaption (QGPA) 模块并通过引入 Self-Reconstruction （SR）来增强原型的表示以适应点云的大内部类特征差异和极少量数据，最终在 S3DIS 和 ScanNet 基准测试中超越最先进的算法，其中还考虑到零样本的情况

    May, 2023

  • 三维分子图形的几何完整感知机网络

    介绍了一种新的 GCPNet 图神经网络，其具有 SE (3) 置换对称性，用于 3D 分子图形表示学习，在蛋白质 - 配体结合亲和力预测，蛋白质结构排序和牛顿多体系统建模任务中均取得了最先进的效果。

    Nov, 2022

  • GRASP-Net: 基于几何残留分析与合成的点云压缩

    本文介绍了一种基于深度学习和卷积神经网络的、适用于点云的几何压缩方法，实现了对于点云的空间信息和几何细节的有损压缩，该方法可以有效地处理点云中的局部相关性，提高压缩和重建质量。

    Sep, 2022

  • PointeNet: 一种高效且有效的点云分析轻型框架

    PointeNet 是一种专门用于点云分析的高效网络，通过轻量级的架构、低训练成本和即插即用功能，有效捕捉代表性特征，并在分类 / 分割头或嵌入到现成的 3D 物体检测网络中实现了明显的性能改进，尤其适用于自动驾驶等实际场景。

    Dec, 2023

  • Geometer: 基于原型表示的图神经网络少样本类增量学习

    本研究提出了一种基于几何特征的图少样本增量学习方法，使用最近类原型来预测节点标签，并引入师生知识蒸馏和选择性采样以应对 catastrophic forgetting 和不平衡标记问题，实验结果表明该方法在四个公共数据集上的表现显著优于现有的技术。

    May, 2022

  • 基于图注意力的点云局部特征开发神经网络 GAPNet

    本研究基于图形注意力机制，提出了一个新的神经网络 GAPNet，用于学习点云中的局部几何表示，并且在形状分类和部分分割任务中，取得了最先进的性能。

    May, 2019