Nov, 2023

E2PNet：事件到点云的时空表示学习的配准

PDF
TL;DR2D-3D registration for event cameras is studied using a learning-based method called E2PNet, which employs a novel feature representation network called EP2T. E2PNet outperforms hand-crafted and other learning-based methods, and demonstrates potential for various vision tasks.
发现论文，激发创造
  • 重新思考带有 3D 事件表示的人体姿势估计

    通过引入两种三维事件表示方法（RasEPC 和 DEV），结合一个用于训练的合成事件数据集（EV-3DPW），本研究在人体姿势估计中取得了显著的性能提升，克服了传统图像和事件帧技术的局限性。

    Nov, 2023

  • 图像与激光雷达点云的端到端二维到三维配准用于车辆定位

    本研究提出了一种名为 I2PNet 的新型端对端 2D-3D 注册网络，该网络能够精确定位机器人并在相机 - LiDAR 在线校准方面表现出色。

    Jun, 2023

  • TTPOINT：一种用于事件摄像机轻量级行为识别的张量化点云网络

    使用 TTPOINT 轻量且通用的点云网络，在运动识别任务中相比传统基于帧的方法只使用了 1.5% 的计算资源，并通过层次结构抽象本地和全局几何特征。同时，通过使用张量列分解方法，即使在对参数进行 55% 的压缩时，也能保持了 TTPOINT 的高准确性。

    Aug, 2023

  • 基于点的简单有效网络用于事件相机 6 自由度位姿重定位

    本文介绍了一种简单而有效的基于点云的网络 PEPNet，用于回归六自由度事件摄像机姿态，通过层次结构提取空间和隐含的时间特征，通过 A-Bi-LSTM 提取显式的时间特征，从而在室内和室外数据集上取得了最先进的性能，同时具备轻量级设计版本 PEPNet_tiny 效果与最先进技术相媲美，仅使用 0.5% 的参数。

    Mar, 2024

  • EPNet: 基于图像语义增强的点特征三维物体检测

    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

  • 通过弹性网络结合张量网络进行事件流的表示学习

    事件相机是神经形态学传感器，可以捕获异步和稀疏的事件流，本文提出了一种新颖的时空表示学习方法，通过张量分解可以同时捕获事件流中的全局相关性。此外，由于事件在空间上稀疏，我们提出了一种弹性网络结合的张量网络模型，可以获取有关事件流的更多空间和时间细节。实验结果表明，与最先进的方法相比，我们的方法能够高质量地表示事件的时空相关性，并在过滤噪声等应用中取得有效的结果。

    Jan, 2024

  • 异步事件数据表示的端到端学习

    本文介绍了将事件流转化成基于网格的表示的通用框架，其具有两个主要优势：（i）允许端到端学习输入事件表示，（ii）提供了一个统一记录大多数事件表示的分类法，并识别出新的事件表示方法。通过实验证明，我们的端到端学习事件表示的方法相对于现有技术方法，在光流估计和目标识别上都有约 12％的改进。

    Apr, 2019

  • PCRNet: 使用 PointNet 编码的点云配准网络

    该论文提出了一个新框架，利用 PointNet 表征对齐点云和执行注册，以实现跟踪，3D 重建和姿态估计等应用，能够根据点云的形状信息生成特定形状或通用的方法，并具有噪声和数据初始化错位的鲁棒性。

    Aug, 2019

  • 重新思考面向事件相机的高效有效的基于点的网络：EventMamba

    EventMamba 是一个高效和有效的点云框架，通过优化网络结构实现了对时间信息的提取，并在分类和回归任务中表现出与基于帧的方法相媲美的结果，同时具有轻量级设计原则，实现了卓越的效率和效果。

    May, 2024

  • 3D-FlowNet：使用三维表示的事件驱动光流估计

    本文提出了一种改进的 2D 编码事件数据的 3D 表达方法，并介绍了 3D-FlowNet 网络体系结构以进行光流估计，并采用自监督训练策略来弥补事件相机标记数据的缺乏。结果表明，我们的 3D-FlowNet 具有更好的性能。

    Jan, 2022