May, 2023

面向点云分割的动态聚类变换网络

PDF
TL;DR该研究提出了一种新的三维点云表示网络，称为动态聚类变换网络（DCTNet），它利用编码器 - 解码器架构来学习全局和局部特征，并提出了新的语义特征动态采样和聚类方法以及一个高效的语义特征引导上采样方法，验证了其在点云分割任务上的性能优于现有的最先进模型。
point cloud segmentation3d object and scene understandingdynamic clustering transformer networksemantic feature-based dynamic samplingstate-of-the-art
发现论文，激发创造
  • 点云分析的双变换器

    本文提出了一种新颖的点云表示学习架构，称为 Dual Transformer Network (DTNet)，该架构主要包括一个 Dual Point Cloud Transformer (DPCT) 模块，该模块通过同时聚合点和通道的多头注意力机制，从位置和通道的语义角度捕获更丰富的上下文依赖性，有效地实现了三维点云分类和分割任务中的终端到终端分析。

    Apr, 2021

  • GTNet：用于 3D 点云分类和语义分割的图形变换网络

    该研究提出了一个名为 Graph Transformer 的新特征提取模块，它能够在局部和全局模式下学习点云特征。该模块将基于图形和变压器的方法的优点相结合，并包括局部变换器和全局变换器模块。在此基础上，构建了一个 3D 点云网络 GTNet，可以用于形状分类、部分分割和语义分割任务。

    May, 2023

  • 快速点变换器

    本文介绍了一种基于 Fast Point Transformer 的新型轻量级自我关注层的方法，用于对大型 3D 场景进行处理和提高计算效率，并应用于 3D 语义分割和 3D 检测，具有与基于体素的最佳方法相竞争的准确性和比 Point Transformer 更快的推理时间。

    Dec, 2021

  • 使用通道式 Transformer 提高 3D 目标检测

    本文中，我们提出了一种改进的两阶段 3D 目标检测框架 CT3D，其中利用高质量的区域提议网络和基于通道的 Transformer 架构来同时执行提议感知嵌入和通道方式的上下文聚合，以获取更准确的目标预测，具有优秀的性能和可伸缩性，尤其是在 KITTI 测试 3D 检测基准中，众车类别的 AP 为 81.77％，优于现有最先进的 3D 检测器。

    Aug, 2021

  • 3D 点云迭代变换网络

    提出了使用迭代变换网络 (IT-Net) 模块来完成无完整对象模型的局部点云的姿态估计，进而在形状分类和物体部分分割等任务上实现了卓越的性能。

    Nov, 2018

  • 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

  • 高密度变化的 3D 点云语义分割

    本文提出了一种名为 HDVNet 的新型架构，针对测量应用程序中的点云具有的大局部密度变化提出解决方案，通过一个嵌套的编码器 - 解码器通路集合来处理特定的点密度范围，有效地处理了输入密度变化，提高了分割精度。

    Jul, 2023

  • 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

  • 用于 3D 点云分析的收集和分配变换器

    本研究提出了 CDFormer，一种新的利用收集和分布机制的 Transformer 架构，可对点云的局部和全局结构进行有效学习，并在四个流行的点云数据集上取得了新的最佳分类和分割结果。

    Jun, 2023

  • CT3D++：基于关键点引导的通道注意力变换提升 3D 物体检测

    通过引入两个旨在准确高效地检测和定位三维空间中物体的 3D 物体检测框架，本文目的是解决当前 3D 检测的灵活性和可伸缩性不足的问题，并在 KITTI 数据集和大规模 Waymo 数据集上取得最先进的性能。

    Jun, 2024