PeP: 统一点云任务的点增强绘画方法
本文提出 EPNet 框架,采用多种传感器与图像信息进行目标检测,并通过融合模块增强语义化特征,实现目标定位和分类置信度的一致性,实验表明其优于现有最先进的方法。
Jul, 2020
本文提出了一种新的深度学习方法,通过去除噪声并保持尖锐特征,自动而又稳健地过滤点云,其点对点的学习架构由编码器和解码器组成,并在视觉质量和数量误差指标方面均优于现有深度学习技术。
Feb, 2020
介绍了一种高效的熵编码补丁计算模块,用于处理计算资源受限的语义分割问题,通过使用不同数量参数的卷积编码器在不同熵的图像补丁上提取特征,以在保持现有性能的情况下减少计算成本。
Jul, 2022
本篇论文介绍了一种新型编码器 PointPillars,该编码器可以将点云转为适合下游检测通道的格式,可应用于众多机器人应用中的物体检测,证明其在速度和准确性上都优于现有编码器,可优化无人驾驶等应用领域。
Dec, 2018
本研究提出 Pixel Content Encoders (PCE),一种轻量级图像修复模型,采用扩张卷积来保留空间细节信息,可用于图像修复和图像扩展。
Jan, 2018
本研究提出 Keypoint Pose Encoding (KPE) 方法,相较于现有的姿态调节方法更加高效、快速,能够生成高质量的、基于姿态调节的图像。该方法还具有域不变性,易于扩展到更高分辨率的图像,并且引入了 People Count Error (PCE) 评估方法来检测生成的人物图像的错误。
Mar, 2022
PointeNet 是一种专门用于点云分析的高效网络,通过轻量级的架构、低训练成本和即插即用功能,有效捕捉代表性特征,并在分类 / 分割头或嵌入到现成的 3D 物体检测网络中实现了明显的性能改进,尤其适用于自动驾驶等实际场景。
Dec, 2023
本文提出了一种新的基于 PointNet 编码的点云对齐和配准框架,避免了 ICP 等流行配准方法中的计算昂贵的对应点搜索步骤,适用于 3D 重建、跟踪和姿态估计等应用,能够处理噪声、初始错位以及粗糙点云,并通过大量模拟和真实实验验证了算法的有效性和性能优势。
Dec, 2019
近期在点云领域中自监督学习方面的最新进展表现出显著的潜力。然而,这些方法常常面临一些问题,包括长时间的预训练时间、对输入空间的重构以及需要额外的模态。为了解决这些问题,我们介绍了一种专门针对点云数据设计的联合嵌入预测架构 ——Point-JEPA。为此,我们引入了一种排序器,它能够对点云标记进行排序,以在目标和上下文选择期间高效计算和利用标记的接近性。排序器还允许在上下文和目标选择之间共享标记的接近性计算,从而进一步提高效率。在实验证明,我们的方法在避免了对输入空间进行重构或使用额外模态的同时,取得了与最先进的方法相竞争的结果。
Apr, 2024
本文提出了一种名为 PointPainting 的新型传感器数据融合方法,该方法通过将激光雷达点云数据映射到图像上,并将类别分数附加到每个点云中,从而得出了最新的 KITTI 数据集鸟瞰检测任务的状态。
Nov, 2019