Jun, 2023

基于三维点云数据的三维对象和场景的分类、识别、分割和重构：综述

HTML
PDF
TL;DR本文综述了现有的三维点云分析技术及其算法、应用场景和目标，介绍了使用的数据集和评估指标，并比较了现有解决方案的性能，最后分析了当前技术面临的挑战和吸引人们注意的未来趋势。
发现论文，激发创造
  • Semantic3D.net：一个新的大规模点云分类基准

    本文介绍了一个新的3D点云分类基准数据集，其中包含超过40亿个手动标记的点，用于数据密集型的（深度）学习方法。使用深度卷积神经网络（CNNs）作为工作马的初始提交已经显示出相对于现有技术具有显著的性能改进。我们提供了基线方法描述和通过我们的在线系统提交方法之间的比较。我们希望Semantic3D.net能够为3D点云标注中的深度学习方法铺平道路。

    Apr, 2017

  • 用于三维点云语义标记的全卷积网络

    本文介绍了使用一维全卷积网络对点云数据进行语义标记的方法，该方法直接分析经过地形归一化后的点，并结合光谱数据以学习上下文特征。我们的方法不需要手动提取特征，且在多个方面上比传统方法表现更优越，其中包括利用ISPRS 3D语义标注竞赛数据获得了81.6%的准确率，F1分数比最高准确率方法高1.69%。此外，本文还展示了该方法可轻松扩展到2D语义分割任务。

    Oct, 2017

  • 大规模点云的全卷积点网络

    提出了一种用于处理大规模3D数据的一般用途的全卷积网络，具有内部将无组织的点云转换为有序结构以通过3D卷积处理的能力，可用于许多3D任务的通用点云描述符。在语义体素分割，语义部分分割和3D场景字幕数据集上进行了评估。

    Aug, 2018

  • 重新审视点云分类：一个新的基准数据集和基于真实世界数据的分类模型

    本文研究基于点云数据的深度学习技术在解决三维计算机视觉领域中的经典问题方面的应用。作者介绍了 ScanObjectNN 数据集并展示了其对于点云对象分类问题的挑战性，提出了三个关键的挑战问题，并提出了一些解决方案，最终实现了在背景杂乱的情况下对于点云对象的分类，达到了最佳效果。

    Aug, 2019

  • 3D点云的深度学习：概述

    本文综述了近期 point cloud learning 领域深度学习方法在 3D 形状分类、3D 物体检测与跟踪、3D 点云分割三大任务中的最新进展及其对公共数据集的比较结果，并提出了可启发未来研究的深刻见解和方向。

    Dec, 2019

  • 面向城市尺度三维点云的语义分割：数据集、基准和挑战

    本文介绍了一个由三个英国城市中7.6平方公里的城市景观组成的大规模城市照相测量点云数据集，其中每个3D点都被标记为13个语义类别之一，并通过基于现有算法的综合分析来识别了几个关键问题。

    Sep, 2020

  • 自监督学习用于预训练3D点云：综述

    本研究综述了使用深度神经网络实现无监督点云表示学习的方法，解决在人工标注数据量有限的问题。研究挖掘了常用数据集和评估指标，提出了基于这些技术的自监督点云表示学习方法的广泛应用，并指出未来可能面临的挑战和潜在问题。

    May, 2023

  • 基于聚类的点云表示学习用于三维分析

    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

  • 基于深度学习的三维点云分类：系统调查与展望

    该论文介绍了点云的获取、特点和挑战，回顾了点云分类的3D数据表示、存储格式和常用数据集，总结了基于深度学习的点云分类方法，并对最新研究进展进行了补充，对主要方法的性能进行了比较和分析，并讨论了点云分类面临的一些挑战和未来方向。

    Nov, 2023

  • 深度学习技术在三维点云分类和语义分割中的综述

    本研究综述了深度学习在点云处理中的最新进展、挑战和潜在研究方向，重点关注点云分析中的3D形状分类和语义分割两个主要任务。

    May, 2024