AAAIDec, 2023

SPGroup3D：室内 3D 物体检测的 Superpoint 分组网络

PDF
TL;DR提出了一种用于室内场景的新型超点分组网络，通过对原始点云进行超点划分，利用几何感知的投票模块调整超点和物体中心之间的空间关系，采用超点注意力层和超点 - 体素融合层来探索提案内的一致性表示，利用超点来基于动态感受野进行有效的多次匹配，实现室内一阶段 3D 物体检测的最新性能。
3d object detectionindoor scenessuperpoint grouping networksemantic informationvoting-and-grouping strategy
发现论文，激发创造
  • 基于 Superpoint 图的大规模点云语义分割

    该研究提出了一种基于深度学习的新框架，用于解决数百万点的大规模点云的语义分割挑战。该框架使用超级点图和图卷积网络等技术，取得了室内和户外 LiDAR 扫描分割方面的新成果。

    Nov, 2017

  • CAGroup3D：面向分类感知的点云三维目标检测中的分组算法

    提出了一种名为 CAGroup3D 的卷积神经网络二阶段稀疏三维物体检测框架，通过结合物体表面体素中相同语义预测的类别感知局部组策略生成高质量的三维建议，以及使用稀疏卷积 RoI 池化模块从骨干网中直接聚合细粒度的空间信息以进一步提升建议的效果。该方法具有更好的计算和内存效率，并且在 ScanNet V2 和 SUN RGB-D 数据集上实现了优于现有方法的三维检测性能。

    Oct, 2022

  • RBGNet：基于射线分组的 3D 目标检测

    本文提出了 RBGNet 框架，一种基于投票的 3D 检测器，用于从点云中精确检测 3D 物体。该框架使用基于射线的特征分组模块来聚合物体表面的点特征，以了解物体的形状以增强聚类特征，从而预测 3D 边界框。此外，作者还提出了一种新颖的前景偏置采样策略，以在下采样过程中采样更多物体表面上的点，并显着提高检测性能。

    Apr, 2022

  • 可扩展的超点图聚类三维全景分割

    介绍了一种高效的方法，通过将大型 3D 点云的全景分割任务重新定义为可扩展的图聚类问题来进行。该方法可以仅使用本地辅助任务进行训练，从而在训练过程中消除了资源密集型的实例匹配步骤。此外，我们的方法可以轻松适应 superpoint 范例，进一步提高其效率。这使得我们的模型能够在单次推理中处理具有数百万个点和数千个对象的场景。我们的方法（SuperCluster）在两个室内扫描数据集（S3DIS Area 5 的 PQ 指标为 50.1（+7.8），ScanNetV2 的 PQ 指标为 58.7（+25.2））上实现了全景分割的最新性能。此外，我们还在两个大规模移动映射基准测试（KITTI-360 和 DALES）中取得了首个最先进的结果。我们的模型仅有 209k 个参数，比最佳竞争方法小 30 倍，训练速度最高提高 15 倍。我们的代码和预训练模型可在此 https URL 获取。

    Jan, 2024

  • SGPN：用于 3D 点云实例分割的相似度分组提议网络

    本研究提出了一种基于深度学习的简单易用的三维物体实例分割框架，称为相似性分组提案网络（SGPN），该框架使用单个网络预测点分组提案和相应的语义类别，并可直接提取实例分割结果，实验表明，该框架在点云数据上的三维实例分割任务上具有很高的准确性，而且可提高物体检测和语义分割结果的效果。

    Nov, 2017

  • 基于 Transformer 的无分组 3D 物体检测

    利用 Transformers 中的注意力机制，以所有的点为输入，自动学习每个点对目标检测的贡献，并通过改进的注意力叠加方案将目标特征融合在不同的阶段，实现了最先进的 3D 目标检测性能。

    Apr, 2021

  • PointGroup: 用于三维实例分割的双集合点聚类

    PointGroup 是一种新的端到端自下而上架构方法，专为更好地通过探索对象之间的空白空间对点进行分组而设计，通过两个分支网络提取点特征并预测语义标签与偏移量，利用原始和偏移移动的点坐标集，使用 ScoreNet 评估候选实例，并使用 NMS 消除重复。与先前的最佳解决方案相比，PointGroup 在 ScanNet v2 和 S3DIS 数据集上都取得了高性能，分别为 63.6％和 64.0％，而前者为 54.9％和 54.4％（在 IoU 阈值为 0.5 时的 mAP）。

    Apr, 2020

  • 使用语义超点树网络在 3D 场景中进行实例分割

    提出了一种基于 Semantic Superpoint Tree Network (SSTNet) 的端到端解决方案，其通过学习场景点的语义特征构建中间的语义超级点树（SST）， 在中间树节点处进行实例对象的建议，以及通过一个模块对错误的超级点进行修剪， 针对数据不规则性提出了一种改进的方法。在 ScanNet 和 S3DIS 的基准测试中表现出强大的实用性。

    Aug, 2021

  • 3DSSD：基于点云的三维单级物体检测器

    本文提出一种名为 3DSSD 的轻量级且高效的基于点云的三维单级物体检测器，采用了融合采样策略以及候选生成层、无锚点回归头、三维中心性分配策略的结构设计，其精度和速度都表现出很好的平衡，并且在 KITTI 和 nuScenes 数据集上取得了比同类方法显著更好的性能。

    Feb, 2020

  • 基于图的全景稀疏语义分割网络 GP-S3Net

    本文提出了一种高效的基于 LiDAR 的全景分割框架 GP-S3Net，通过构建图卷积网络以识别物体并将其与背景类融合，利用实例标签为构造的每个图生成地面真实边缘标签来监督学习，在 nuScenes 和 SemanticPOSS 等数据集上实验表明 GP-S3Net 优于现有最先进的方法，在公共 SemanticKITTI 排行榜上排名第一。

    Aug, 2021