基于自交叉 Transformer 模型的点云变化检测器研究
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
基于跨维度输入的一种有效的基于 Transformer 的网络用于改变检测,通过交叉关注学习了跨维度输入之间的共享表示,采用一致性约束建立了多模态关系,并通过高度改变阈值和最小化语义与伪改变之间的不同来解决语义和高度改变检测任务之间的多任务冲突。该模型在荷兰的三个城市构建了包含 DSM 到影像的多模态数据集,相对于其他五种先进的改变检测方法,表现出了一致的多任务优势,同时该一致性策略也可以无缝地适用于其他方法,取得了可喜的改进。
Oct, 2023
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
本文中,我们提出了一种改进的两阶段 3D 目标检测框架 CT3D,其中利用高质量的区域提议网络和基于通道的 Transformer 架构来同时执行提议感知嵌入和通道方式的上下文聚合,以获取更准确的目标预测,具有优秀的性能和可伸缩性,尤其是在 KITTI 测试 3D 检测基准中,众车类别的 AP 为 81.77%,优于现有最先进的 3D 检测器。
Aug, 2021
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
该研究提出了一种新的三维点云表示网络,称为动态聚类变换网络(DCTNet),它利用编码器 - 解码器架构来学习全局和局部特征,并提出了新的语义特征动态采样和聚类方法以及一个高效的语义特征引导上采样方法,验证了其在点云分割任务上的性能优于现有的最先进模型。
May, 2023
通过引入两个旨在准确高效地检测和定位三维空间中物体的 3D 物体检测框架,本文目的是解决当前 3D 检测的灵活性和可伸缩性不足的问题,并在 KITTI 数据集和大规模 Waymo 数据集上取得最先进的性能。
Jun, 2024
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。
Jun, 2023
本篇论文介绍了一种在人体点云上进行三维关键点检测的挑战,并提出了一种名为 Dual Cascade Point Transformer (D-CPT) 的模型,该模型通过级联的 Transformer 解码器逐步优化关键点,在本地区域使用 RefineNet 增强关键点坐标,通过在 HPoint103 和公共数据集 DHP19 上进行对比评估,验证了我们的 D-CPT 模型在关键点检测方面的显著性能优势,并表明将我们的 RefineNet 集成到现有方法中可以持续提高性能。
Jan, 2024
本文提出了一种新颖的点云表示学习架构,称为 Dual Transformer Network (DTNet),该架构主要包括一个 Dual Point Cloud Transformer (DPCT) 模块,该模块通过同时聚合点和通道的多头注意力机制,从位置和通道的语义角度捕获更丰富的上下文依赖性,有效地实现了三维点云分类和分割任务中的终端到终端分析。
Apr, 2021