DC3DCD:多类别三维点云变化检测的无监督学习
本文提出了一种基于 3D 点云数据的变化检测方法 ——Encoder Fusion SiamKPConv 网络,通过对 Siamese KPConv 网络提供手工特征和变化相关特征,该方法在提高交并比的同时,避免了栅格化过程中的信息损失,优于当前 SoTA 方法。
Apr, 2023
在这篇论文中,我们利用 3D 点云构建了一个适用于变化检测的网络,并提出了一种新的适用于变化检测的模块 Cross transformer。同时,我们使用我们的网络对隧道数据进行变化检测的测试实验。
Sep, 2023
提出了一种基于点云的场景变化检测算法,以实现未来太空栖息地的自主机器人照料,该算法使用原始未标记点云作为输入,并通过修改的期望最大化高斯混合模型聚类和地球移动距离的比较来进行变化检测,并使用 NASA Ames Granite 实验室的测试数据集进行定量和定性验证及运行时间分析。
Dec, 2023
本文提出一种基于深度学习的点云配准和不规则物体提取的三维点云变化检测方法,并利用地图合并算法建立一个公共的坐标系,通过提取 3D 点云的鲁棒且具有区分性的特征来检测连续点云帧之间的变化并且找到变化区域,最后通过与两个时间点比较来提取任何导致该区域改变的障碍物。该方法在现场实验中得到成功评估,能够检测出 3D 点云中的不同类型的变化,具有构筑物施工安全监控,测绘和勘探等领域的重要应用和发展前景。
Jun, 2023
本文提出 VS3D,一个从点云中弱监督学习的 3D 目标检测框架,其中引入了无监督的 3D proposal 模块和跨模态知识蒸馏策略,在 KITTI 数据集上取得了优异的性能。
Jul, 2020
本文提出了一个名为 PointDC 的新型分割框架,通过两个阶段的处理(CMD 和 SVC),实现在不使用任何形式的注释的情况下的点云全自动无监督语义分割。该框架在 ScanNet-v2 和 S3DIS 两种数据集上均优于以往的无监督学习方法,分割性能显著提高。
Apr, 2023
基于聚类的监督学习方案用于点云分析,通过在点嵌入空间上进行类内聚类来自动发现子类模式,进而重构嵌入空间以提高鲁棒性;该算法在各种 3D 网络架构上表现出明显的改进,并在知名点云分割数据集和 3D 检测中显示出实用性。
Jul, 2023
提出了一种半监督领域自适应方法,名为 “SSDA3D”,包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization,很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题,不依赖于大量标注数据,在只有 10%目标数据标注的情况下,可以超过 100%目标标签的完全监督模型。
Dec, 2022