点云学习的分离式局部聚合
该论文设计了一种新颖的 LSA 层,可以学习生成基于局部区域内的空间关系的空间分布权重,从而捕捉局部几何结构,进一步提出了基于 LSA 层的 LSANet,可以更好地在网络设计中汇聚特征与空间信息。实验表明,我们的 LSANet 在评估具有挑战性的基准数据集时可以达到和甚至更好的性能。
May, 2019
本文提出了一种动态特征聚合 (DFA) 方法,通过在特征域内构建局部图,进行 k - 最近邻探索潜在位置和特征相似性信息,结合原始点云低维全局特征表达,以增强特征表示,从而有效地进行点云分类。
Jan, 2023
该论文探究了局部聚合算子对网络性能的影响,并通过设计了一个简单的局部聚合算子 ——Position Pooling (PosPool) 来取得更好的性能,在标准基准测试中实现了最新的精度。
Jul, 2020
该研究提出一种新的方法,使用基于 3D 点云的局部扫描来完成物体和场景的自动化补全,并通过使用特定的编码器 - 解码器结构以及三个特殊开发的新型层来实现。该方法在对象和室内场景自动补全任务中表现出优异的性能,并提高了技术水平。
Mar, 2022
提出了一个名为 Point2SpatialCapsule 的新型深度学习网络,用于在点云上聚合本地区域的特征和空间关系,旨在学习更具有区分性的形状表示。
Aug, 2019
介绍了一种名为 RandLA-Net 的高效轻量级神经架构,在大规模点云中通过使用随机采样和引入新的局部特征聚合模块来实现高效的语义分割。经过实验表明,RandLA-Net 在处理 100 万点的规模时比现有方法快 200 倍以上,并在两个大规模基准数据集 Semantic3D 和 SemanticKITTI 上表现优于现有方法。
Nov, 2019
本文提出了基于 pillar 的算法模型在 LiDAR 3D 目标检测中的效果以及在架构和训练等方面的现代化设计,通过扩大感受野等方法取得了显著提升,在 Waymo 开放数据集和 nuScenes 数据集上实现了最优性能。
May, 2023
本研究旨在提出一种减少计算量、以大规模点云直接推断每个点的语意的神经架构,该方法采用随机采样而非较复杂的点选择方法,然后配备一种新的局部特征汇聚模块以生成具有准确语意的结果,演示数据表明我们的方法具有比现有方法高 200 倍的速度和最先进的分类精度。
Jul, 2021
本文研究了如何利用无监督学习方法训练神经网络,通过优化局部聚合的度量方式实现相似的数据实例在嵌入空间中聚集在一起,从而实现在大规模视觉识别领域中的非监督迁移学习,实现了 ImageNet、Places 205 和 PASCAL VOC 数据集中物体识别、场景识别和物体检测方面的最佳性能。
Mar, 2019
本文提出了两个新的操作,帮助 PointNet 更高效地利用局部结构以提高 3D 点云的语义学习效果,并通过实验证明,我们的模型可以捕获局部信息并在主要数据集上表现更好。
Dec, 2017