本文提出了一种基于点云的分类算法,通过对常见三维环境噪声进行分类以及分类器的性能评估,分析了点云分类器的健壮性和泛化性,提出了一些有效的技术来增强点云分类器的健壮性。
Feb, 2022
本文提出了一种新的方法来解决在 3D 点云上进行实例分割时可能出现的计算量过大、类别识别性能不佳等问题,其中本文重要的贡献是提出了一种独立于输入类别和大小的度量标准,通过该标准,新方法在现有研究中表现出最好的性能。
Sep, 2019
利用 BeautyMap 来高效地去除动态点,并保留静态特征以得到高保真度的全局地图。
May, 2024
我们建立了一个全面、严格的点云对抗韧性基准,评估了韧性的影响,并通过对现有的防御方法进行广泛和系统的实验,提出了一种混合训练增强方法以提高对各种攻击的对抗韧性。
Jul, 2023
本文提出了一种动态点场模型,它将显式点图形的表现优势与隐式形变网络相结合,以便有效地建模非刚性 3D 表面,并演示了该模型在创建表情逼真的可动人体形象方面的优势。
Apr, 2023
提出了一种使用自动检测和注释的方法来训练模糊点移除分类器,并通过实验证明该方法优于传统过滤器和其他自我注释方法。
Nov, 2023
本研究旨在探讨如何增加点云分类模型对于未知变换的鲁棒性,通过创建名为 RobustPointSet 的公共数据集,研究表明即使在点云分类领域进展很大,也没有一种单一的架构能够一致地表现得更好。
Nov, 2020
通过对 RGB-D 和基于点云的视觉控制策略进行实验,我们发现明确编码点云的策略在可视条件变化下显著更加稳健,同时我们提出的点云世界模型(PCWM)在训练过程中大幅提升样本效率,这些结果表明通过点云对三维场景进行推理可以改善性能、缩短学习时间并提高机器学习算法的稳健性。
Apr, 2024
本文研究多雷达传感器获取的 3D 激光数据如何通过点云累积的方法对移动场景中的动态物体进行对齐,最终实现更完整的场景重建和表面重建。
Jul, 2022
该研究针对点云分类中的对抗攻击问题,提出了一个名为 PointCert 的通用框架,可将任何分类器变成可以抗击对抗点云攻击的验证型分类器,证明 PointCert 在多个应用场景中的鲁棒性性能明显优于现有的认证防御技术。
Mar, 2023