Dec, 2023

PointeNet: 一种高效且有效的点云分析轻型框架

PDF
TL;DRPointeNet 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。
point cloud analysisgeometric extractorsscene-level applicationspointenetautonomous driving
发现论文，激发创造
  • PointNet：基于点集的深度学习用于三维分类和分割

    本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

    Dec, 2016

  • GeoNet: 基于深度测地线网络的点云分析

    GeoNet 是第一个深度学习结构用于对点云表达的曲面的内在结构建模，通过使用 GeoNet 与 PU-Net 和 PointNet ++ 等基线或骨干网络的融合方案来改善多个代表性任务的现有方法，包括点上采样、法向量估计、网格重建和非刚性形状分类。

    Jan, 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

  • 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

  • PUGeo-Net：一个针对三维点云上采样的几何中心网络

    本文提出了一种基于深度神经网络的方法 PUGeo-Net 用于处理点云密集化，从而描述底层几何结构，不仅可用于 CAD 模型的尖锐特征，也可用于具有丰富几何细节的扫描模型，同时实现了生成定点坐标和该点法线并存的任务。

    Feb, 2020

  • 一种框架以注册它们所有: PointNet 编码用于点云对齐

    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

  • 学习的点云压缩用于分类

    基于 PointNet 的新型点云编解码器，在机器任务分类中实现了更好的速率 - 准确性平衡，相对于非专用编解码器在 ModelNet40 数据集上达到了 94% 的降低 BD 比特率。对于低资源终端设备，我们提出了两种轻量级编码器配置，在 BD 比特率降低 93% 和 92% 的同时，仅消耗了 0.470 和 0.048 的编码器端 kMACs / 点，并降低了 3% 和 5% 的 top-1 准确率，为今后更复杂的任务和数据集提供了专用编解码器的潜力和基础。

    Aug, 2023

  • 面向点云分割的动态聚类变换网络

    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

  • VoxelNet：基于点云的三维物体检测的端到端学习

    VoxelNet 是一种针对点云图像检测的深度网络，可以将点云分割成等间距的三维体素，并通过新引入的体素特征编码层将每组点转换为统一的特征表示，从而生成描述性的体积表示，并连接 RPN 以生成检测。

    Nov, 2017

  • PointGL: 一个简单的全局 - 局部框架用于高效的点云分析

    PointGL 是一种高效的点云分析架构，通过全局点嵌入和局部图池化两个递归步骤实现特征获取，并在 ScanObjectNN 数据集上取得了最新 PointMLP 模型的五倍速度和较少的计算资源使用的最先进准确性。

    Jan, 2024