Oct, 2023

点邻域嵌入

PDF
TL;DR通过对点卷积操作的不同嵌入机制实验研究，我们提供了第一项广泛的研究，旨在分析这些嵌入机制如何单独编码点邻域信息，并给出了一些建议，可以帮助改进点云的神经网络架构设计。我们发现，最常用的基于多层感知器（MLP）和 ReLU 激活函数的嵌入机制在所有嵌入方式中表现最差，甚至在某些任务上被简单的点坐标线性组合方式超越。此外，我们展示了基于这些嵌入机制的简单卷积神经网络在多个任务上取得了最先进的结果，优于最近和更复杂的操作。最后，我们展示这些发现可以推广到其他更复杂的卷积操作，通过遵循我们的建议，能够改进最近的最先进架构设计。
point convolution operationsembedding mechanismsneighborhood informationpoint neighborhood embeddings (pne)neural network architectures
发现论文，激发创造
  • 通过扩展算子的点卷积神经网络

    本文介绍了点卷积神经网络（PCNN）的框架和两个算子：扩展和限制。此外，还定义了点云卷积的概念，其具有高效性，不受各种因素的影响，并可将卷积核用于任何点云中。通过三项常见的点云学习基准测试，证明了 PCNN 方法的有效性。

    Mar, 2018

  • 基于投影的点卷积在点云分割中的高效应用

    通过使用 2D 卷积和多层感知器作为组件的投影点卷积 (PPConv) 模块来优化点云处理算法，实现了在处理速度和分割性能之间的均衡。

    Feb, 2022

  • 通过位置嵌入实现鲁棒的点云处理

    基于带宽的分析性逐点嵌入与位置嵌入的关系探索以及在点云分类和注册中具有鲁棒性的结果。

    Sep, 2023

  • 在点云中重新思考网络设计和本地几何：一个简单的残差 MLP 框架

    本文提出了一种名为 PointMLP 的纯残差 MLP 网络，它不使用复杂的局部几何提取器，但仍能表现出很高的竞争力，装备了提出的轻量级几何仿射模块，PointMLP 在多个数据集上都达到了新的最佳状态，相对于大多数最近的 CurveNet，PointMLP 的训练速度快两倍，测试速度快七倍，并在 ModelNet40 基准测试中获得更高的精度。

    Feb, 2022

  • PointConv：3D 点云上的深度卷积网络

    本文介绍了一种新的卷积操作 PointConv，此操作可用于处理 3D 点云并建立深度卷积神经网络，该网络具有创建非线性函数权重和密度函数的功能，实验表明，PointConv 可用于挑战性的语义分割基准测试，并在 2D 图像的结构相似情况下提供类似于卷积网络的性能。

    Nov, 2018

  • ConvPoint: 基于连续卷积的点云处理

    本文提出通过替换离散卷积核为连续卷积核，将离散卷积神经网络 (CNN) 泛化为处理点云的神经网络的方法，实验结果表明其在形状分类、部分分割和语义分割方面与现有方法相比具有竞争力。

    Apr, 2019

  • 深度点云分析的旋转不变框架

    本文提出了一种新的低层纯旋转不变表示，以替代常见的 3D 笛卡尔坐标作为神经网络的输入，并介绍了一种网络结构来将这些表示嵌入为特征，编码点与邻居之间以及全局形状结构之间的局部关系，并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示引起的全局信息丢失。在多个点云分析任务上评估我们的方法，包括形状分类、部件分割和形状检索，实验结果表明与现有技术相比，我们的方法在任意方向上的输入上实现了一致且最佳的性能。

    Mar, 2020

  • 点卷积神经网络

    本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络，其中核心是点卷积，这是一种可以在点云的每个点上应用的新型卷积算子，并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。

    Dec, 2017

  • 增强法线嵌入的点云分析点变形网络

    该论文提出了一种基于简洁的 MLP 网络的 Point Deformable Network (PDNet)，它能够捕捉到具有强大表征能力的长程关系。论文还提出了 Point Deformable Aggregation Module (PDAM)，通过对可变形参考点的聚合，改进了长程依赖和点之间的自适应聚合的表示能力。在各种基准测试中进行了大量实验和消融研究，证明了 PDNet 的有效性和优越性。

    Dec, 2023

  • 非刚性点云匹配的神经内在嵌入

    通过提出神经内在嵌入（NIE）来嵌入每个顶点到高维空间从而建立弱监督的非刚性点云配准框架，无需先前的基础构建或真实配准标签。实验证明我们的框架表现与现代方法相当甚至更好，而这些方法通常需要更多的监督和 / 或结构几何输入。

    Mar, 2023