Jul, 2023

Mini-PointNetPlus：一种用于三维环境感知的深度学习模型的局部特征描述器

PDF
TL;DR通过使用 mini-PointNetPlus，我们提出了一种新的局部特征描述子，用于在深度学习模型中提取点云的特征，并在实验证明其能够显著提高三维感知的性能。
deep learning models3d environment perceptionpillarization/voxelization methodspointnetmini-pointnetplus
发现论文，激发创造
  • PointNet：基于点集的深度学习用于三维分类和分割

    本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

    Dec, 2016

  • LPD-Net：大规模场景识别和环境分析的 3D 点云学习

    本文提出了一种名为 LPD-Net 的深度神经网络，它可以从原始 3D 点云数据中提取判别性和可推广性的全局描述符，用于解决基于点云的识别任务，并与 PointNetVLAD 和基于视觉的解决方案进行了比较。

    Dec, 2018

  • MinkLoc3D：基于点云的大规模场所识别

    提出了一种名为 MinkLoc3D 的基于学习的方法，用于计算具有区分性的三维点云描述符，该方法使用稀疏体素化的点云表示和稀疏三维卷积，相比目前最先进的方法具有更好的性能。

    Nov, 2020

  • PPFNet: 全局上下文感知的局部特征用于强健的三维点匹配

    本文提出 PPFNet——Point Pair Feature 网络，用于深度学习全局细节感知的三维局部特征描述符，以在无组织的点云中找到对应点。通过在纯几何图形上学习本地描述符，并高度关注全局上下文，实现 3D 表示为点对特征及局部邻域内的点和法向量的组合，并使用新型 N-tuple loss 和架构将全局信息自然地注入本地描述符中，实现量化和定性评价，证明了上述方法在 3D 描述符提取性能中的作用。

    Feb, 2018

  • PointNet++：在度量空间中对点集进行深层次分层特征学习

    本研究提出了一种基于层级神经网络的深度学习算法，可以递归应用 PointNet 模型在输入点集的嵌套划分上，并通过度量空间距离利用上下文信息进行学习，同时通过自适应的集合学习层将不同规模的特征组合，从而有效地、鲁棒地学习点集特征，达到了显著优于当前最先进方法的效果。

    Jun, 2017

  • VoxelNet：基于点云的三维物体检测的端到端学习

    VoxelNet 是一种针对点云图像检测的深度网络，可以将点云分割成等间距的三维体素，并通过新引入的体素特征编码层将每组点转换为统一的特征表示，从而生成描述性的体积表示，并连接 RPN 以生成检测。

    Nov, 2017

  • 多视点 PointNet 用于 3D 场景理解

    本文介绍了 MVPNet 模型，该模型使用视图选择和 2D-3D 特征聚合模块将 2D 多视图图像特征汇集到 3D 点云中，并使用基于点的网络将 3D 规范空间中的特征融合以预测 3D 语义标签。该方法在 3D 语义分割任务上，优于以前的点云方法，并且训练速度比稀疏体素方法的大型网络快得多。

    Sep, 2019

  • PV-RCNN++：具有局部向量表示的点 - 体素特征集抽象 用于 3D 目标检测

    本文提出了一种针对点云的三维目标检测新方法 PV-RCNN，通过点和体素两个方面来深度整合特征学习，采用体素到关键点场景编码和关键点到网格 RoI 特征抽象两个创新步骤，更高效准确地实现三维目标检测。PV-RCNN++ 框架通过部分区域划分建议 - 中心采样和 VectorPool 池化等两种策略，在更低资源消耗下实现了更优秀的性能，相比 PV-RCNN 在保持准确率的同时提高了 3 倍速度，并在大规模 Waymo 开放数据集上取得了最先进的三维检测性能。

    Jan, 2021

  • 3D-MiniNet: 从点云学习 2D 表示，用于快速高效的 3D 激光雷达语义分割

    本研究提出了一种新的 LIDAR 语义分割方法，称为 3D-MiniNet，该方法结合了 3D 和 2D 学习层。该方法利用投影学习模块提取 3D 数据的局部和全局信息，并通过后处理模块将 2D 语义标签重新投影到 3D 空间中，在 SemanticKITTI 和 KITTI 公共基准测试中表现出比以前的方法更快、更节约参数的优势，并得到了最先进的结果。

    Feb, 2020

  • 大规模场所识别的高效三维点云特征学习

    本文提出了一种高效的点云学习网络 (EPC-Net) 以形成全局描述符用于视觉地方识别，该网络具有良好的性能并且可以降低计算内存和推理时间，通过在代理点和空间相邻矩阵上进行简化的边缘卷积实现对点云本地几何特征的聚合，然后设计轻量级分组 VLAD 网络 (G-VLAD) 以形成检索的全局描述符。

    Jan, 2021