Jan, 2024

InvariantOODG: 学习点云的不变特征以实现超出分布的泛化

PDF
TL;DR通过使用两个分支网络从原始和增强的点云中提取局部到全局特征，在点云的不同分布之间学习不变性，提高点云的局部特征学习并在 3D 领域泛化基准测试中展示了该模型的有效性。
3d sensorspoint cloudsdata distributionrepresentation learningdomain generalization
发现论文，激发创造
  • 3DTI-Net: 使用动态 GCN 学习内部变换不变的三维几何特征

    本论文提出了一种基于局部图表示的点云学习框架，通过学习内部的三维几何特征并使用基于图卷积网络的特征提取网络来实现三维变换不变性，这种方法在分类和分割任务中取得了最先进的性能和有竞争力的性能，具有重要的研究意义。

    Dec, 2018

  • 远距离点云配准的密度不变特征

    通过群组对比学习方案，提出了一种提取密度不变几何特征的方法，用于远距离室外 LiDAR 点云的注册，实验证明此特征提取器相比现有方法更强大且密度不变，使得远距离场景的注册召回率分别提高了 40.9% 和 26.9%。

    Jul, 2023

  • 面向无监督领域自适应的几何感知自训练方法

    本文提出了一种基于几何感知的自我训练（GAST）方法，通过两种自监督几何学习任务作为特征规则化，以学习语义类别的域共享表示来提高对实际数据中基于点的几何体的未见分布的判别力。实验表明，我们的 GAST 方法可以显著优于现有的最先进方法。

    Aug, 2021

  • 将对比学习和最优输运融合于三维点云域适应

    通过多模态对比学习和最优传输的对齐，我们提出了一种新的用于点云分类的无监督领域自适应架构，实现了更好的类别分离并在多个数据集上取得了最先进的性能。

    Aug, 2023

  • 3D 物体检测的领域泛化：密度重采样

    我们提出了一种单域泛化多任务学习方法，通过引入新颖的数据增强方法和多任务学习策略，改进了 3D 物体检测的泛化性能，并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。

    Nov, 2023

  • 图形在分布偏移下的泛化

    通过引入图学习不变领域生成（GLIDER）的新框架，本文在节点级别的属性分布和拓扑结构分布的共同分布转变的情境下，实现了优于基准方法的节点级别 OOD 广义化跨域模型。

    Mar, 2024

  • 旋转不变的三维点云局部到全局表征学习

    本文提出了一种面对各种几何变换，特别是旋转的局部到全局表示学习算法，该算法利用基于图卷积神经网络的多级抽象构建描述符层次结构，以自底向上的方式对输入对象的旋转不变形状信息进行编码，并通过对三维点的随机采样有效地使学习到的表示对输入数据的变化具有鲁棒性。该算法在旋转增强的三维物体识别和分割基准测试上表现出最先进的性能。

    Oct, 2020

  • 学习因果不变表示以实现图上的跨分布泛化

    该研究提出了一种新的框架，Causality Inspired Invariant Graph LeArning (CIGA)，通过使用因果模型来确定图表上的潜在分布偏移，从而捕获图表的不变性，以在各种分布偏移下保证 OOD 泛化性能。

    Feb, 2022

  • 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

  • GIPSO：基于几何信息传播的 3D LiDAR 分割在线自适应

    本文主要研究了自动驾驶中 3D 点云语义分割的问题，提出了一种新的面向场景推理的算法框架，并针对领域变化以及使用合成数据时的挑战性问题进行了研究，提高了算法的稳定性和实际性能。

    Jul, 2022