Jul, 2023

pCTFusion: 基于点融合变换器的语义感知损失用于户外 LiDAR 点云分割

PDF
TL;DR这篇研究提出了一种新的架构，pCTFusion，它结合了基于核的卷积和自注意机制，以便更好地进行特征学习，并捕捉分割中的局部和全局依赖关系。该架构在 SemanticKITTI 室外数据集上进行评估，与现有的先进架构相比，性能提高了 5-7％，特别是对于常因类别不平衡、空间不足和邻近特征编码而被错误分类的次要类别，效果更加显著。这些方法的发展可以用于复杂数据集的分割，并推动 LiDAR 点云的实际应用。
发现论文，激发创造
  • 三维点云语义分割的点注意力网络

    本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

    Sep, 2019

  • 面向融合的点卷积在在线语义 3D 场景分割中的应用

    该研究提出了一种基于动态数据结构的卷积方法，通过全局 - 本地树结构维护局部领域信息，以及增量坐标区间树实现快速点云插入和邻域查询，从而解决在线语义三维分割与 RGB-D 重建中的挑战，实现跨帧时间上的信息融合。

    Mar, 2020

  • 区域变换器：自注意力区域基点云分割

    基于区域转换器的自我注意力机制的增长式点云分割模型优于以往的通用类和特定类方法，通过自我注意力捕捉远距离依赖关系，在训练过程中避免了对语义标签的需求，适用于灵活的点云分割，并可应用于机器人技术、数字化双生和自动驾驶等领域。

    Mar, 2024

  • 高效激光雷达多任务感知的基于点的方法

    提出了一种高效的多任务架构 PAttFormer，在点云中实现联合语义分割和目标检测，相较于单一任务网络，不需要多个特定任务点云表示的独立特征编码器，结构更小更快，同时在自动驾驶感知领域的 nuScenes 和 KITTI 基准测试中实现了竞争性的性能，多任务学习表现出显著的增益。

    Apr, 2024

  • CLFT：用于自动驾驶语义分割的相机 - LiDAR 融合变压器

    提出了基于 Vision Transformer 的网络进行相机 - LiDAR 融合，用于自动驾驶的语义分割，成功地在挑战性条件下如雨天和低照明环境下展示了健壮的性能。

    Apr, 2024

  • PCT：点云变换器

    本文提出了一种新颖的框架，名为点云 Transformer（PCT），它是基于 Transformer 的，并在点云学习方面具有很好的性能。为了更好地捕获点云中的局部信息，我们利用最远点采样和最近邻搜索增强输入嵌入。实验结果表明，PCT 在形状分类、部分分割和法向估计任务中取得了最优性能。

    Dec, 2020

  • 3D 医学点变换：为医学点云分析引入卷积到注意力网络

    本篇文章提出了一种特定于医用点云的基于注意力机制的 3D 医用点云 Transformer (3DMedPT) 模型，通过增加上下文信息和在查询时总结局部响应，可以捕捉局部和全局特征交互，同时应用位置嵌入学习准确的局部几何形状和多图推理 (MGR) 来丰富特征表示，在医用数据上的实验表明该方法的分类和分割能力优于其他方法，并且具有良好的泛化能力。

    Dec, 2021

  • 点树变换器用于点云配准

    点云配准中的局部和全局特征提取是一个常见问题。本文提出了一种名为 “Point Tree Transformer (PTT)” 的新型基于 Transformer 的方法，通过构建点云的层次特征树和引入一种新的点树注意力机制（PTA）来提取细粒度的局部和全局特征，从而有效地解决低相关性点引起的性能下降和计算复杂度过高的问题。实验证明，该方法在 3DMatch、ModelNet40 和 KITTI 数据集上取得了优越的性能。

    Jun, 2024

  • FASTC：一种快速的基于注意力机制的点云语义可通行性分类框架

    使用点云进行地形可通过性评估，通过新的柱状特征提取模块和时空注意力模块，实现了更高的性能和更准确的评估结果。

    Jun, 2024

  • 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