Jun, 2023

利用学习到的地点识别描述符和点到体素比较在稀疏两时刻点云中进行不规则变化检测

PDF
TL;DR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。
change detection3d point cloudsdeep learningirregular object extractionmap-merging algorithm
发现论文，激发创造
  • DC3DCD：多类别三维点云变化检测的无监督学习

    本文提出了一种无监督方法 DeepCluster 3D Change Detection（DC3DCD），用于检测和分类多类变化，基于 3D 点云，并在模拟和真实数据集上进行了评估，结果深度聚类与标记方法相比具有较高的准确性和竞争性。

    May, 2023

  • 变化检测的隐式神经表示

    基于 3D 空中 LiDAR 点云对比的无监督方法，使用神经场和高斯混合模型进行形状重建和变化分类，对多种场景进行了对比实验并在联合度量上实现了 10% 的改进，同时在考古领域的非法挖掘识别实验中也取得了一致结果。

    Jul, 2023

  • 变化检测需要变化信息：改进深度三维点云变化检测

    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

  • 使用深度几何描述符在 3D 点云中进行异常检测

    提出了一种用于高分辨率三维点云的无监督检测几何异常的新方法，该方法将学生 - 教师异常检测框架适应到三维领域，并利用一种自监督预训练策略构建具有表达能力的教师网络，实现局部几何描述符的提取，实验结果表明该方法在性能、运行时间和内存消耗等方面都具有较好的应用前景。

    Feb, 2022

  • 基于 3D 点云的太空舱无监督变化检测

    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

  • Associate-3Ddet: 基于感知到概念的三维点云物体检测关联

    本文提出了一种新颖的基于领域自适应的方法，以增强点云数据的鲁棒性，成功地解决了 3D 目标检测中出现的挑战性任务并达到了最先进水平。

    Jun, 2020

  • 基于自交叉 Transformer 模型的点云变化检测器研究

    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

  • 3D 变化检测：通过 2D 分割掩模

    该研究论文提出了一种无监督的物体发现方法，通过 3D 变化检测和 2D 分割任务的组合，利用图优化技术将 2D 分割信息应用于 3D 空间，从而提高初始不完全的 3D 变化检测的准确性。实验证明该方法在 3D 扫描数据集上表现优于竞争基线算法，取得了最先进的效果。

    Dec, 2023

  • TransLoc3D : 基于点云的自适应感受野大规模地点识别

    TransLoc3D 是一种新的点云全局描述算法，使用自适应感受野进行特征提取，利用外部 Transformer 捕捉长程特征依赖关系，能够有效地处理不同大小的物体、抑制噪声，并取得了现有方法不可比拟的高性能结果。

    May, 2021

  • 基于语义图的三维点云地点识别

    本文提出了一种基于语义图的三维点云场景识别方法，该方法具有鲁棒性，能够应对遮挡和视角变化等环境变化，评估结果表明该方法优于现有技术。

    Aug, 2020