Jan, 2024

ModelNet-O：一个适用于遮挡感知点云分类的大规模合成数据集

PDF
TL;DR通过模拟真实世界中因单目摄像头扫描而导致的自遮挡，我们提出了一种名为 PointMLS 的鲁棒点云处理方法，通过 ModelNet-O 数据集的实验结果证明了该方法在点云分类中取得了最先进的结果，并且在常规数据集上取得了有竞争力的结果，而且具有鲁棒性和有效性。
3d point cloud classificationdatasetsocclusionmodelnet-opoint cloud processing
发现论文，激发创造
  • AGO-Net：基于关联引导的 3D 点云物体检测网络

    通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联，提出了一种新的 3D 检测框架，同时引入基于注意力的重加权模块，无需增加推理成本即可利用网络特征增强能力，在 KITTI 3D 检测基准测试中实现了更高的性能。

    Aug, 2022

  • Semantic3D.net：一个新的大规模点云分类基准

    本文介绍了一个新的 3D 点云分类基准数据集，其中包含超过 40 亿个手动标记的点，用于数据密集型的（深度）学习方法。使用深度卷积神经网络（CNNs）作为工作马的初始提交已经显示出相对于现有技术具有显著的性能改进。我们提供了基线方法描述和通过我们的在线系统提交方法之间的比较。我们希望 Semantic3D.net 能够为 3D 点云标注中的深度学习方法铺平道路。

    Apr, 2017

  • 重新审视点云分类：一个新的基准数据集和基于真实世界数据的分类模型

    本文研究基于点云数据的深度学习技术在解决三维计算机视觉领域中的经典问题方面的应用。作者介绍了 ScanObjectNN 数据集并展示了其对于点云对象分类问题的挑战性，提出了三个关键的挑战问题，并提出了一些解决方案，最终实现了在背景杂乱的情况下对于点云对象的分类，达到了最佳效果。

    Aug, 2019

  • MaskNet：一个完全卷积网络，用于估计内点

    本文介绍了一种基于完全卷积神经网络的技术，旨在解决点云处理过程中的数据缺失与冗余问题，该方法可以提高基于学习的和经典的点云配准方法的准确性，并在真实世界与合成数据集上进行了测试和演示。

    Oct, 2020

  • Triangle-Net：面向点云学习的鲁棒性

    提出了一种基于图结构和神经网络的方法，能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性，此方法在模型识别与检索任务方面，其性能可显著提高。

    Feb, 2020

  • 针对常见污染物的 3D 点云识别鲁棒性基准测试

    本文提出了深度神经网络在 3D 点云数据上应用于安全关键领域，但对其鲁棒性的研究较少。作者提出了新的用于测试冲突鲁棒性的基准数据集，并给出了一种简单而有效的方法来降低现有模型在此数据集上的表现差距。作者通过实验发现了一些有关点云识别中鲁棒性的关键见解，例如在适当的训练下，基于 Transformer 的结构具有最强的鲁棒性。

    Jan, 2022

  • VPC-Net：基于 MLS 点云的三维车辆完成

    该研究提出了一个神经网络模型，命名为 VPC-Net，用于从移动激光扫描系统获取的点云数据中合成完整、密集、统一的车辆点云数据，以用于 3D 车辆监测任务，具有良好的性能表现与结果。

    Aug, 2020

  • 探究高质量的合成人脸遮挡分割数据集

    本研究对人脸分割的数据集进行了全面分析，提出了自然伪装技术和随机伪装技术，以产生高质量的自然性合成遮挡的脸部数据，并提供两个高分辨率的面部数据集

    May, 2022

  • 针对领域差距闭环的噪声感知物体点云合成的准平衡自训练

    本文提出了一种通过将斑点模式投射到 CAD 模型上的方法实现对物体点云的物理真实综合，并采用一种新颖的几乎平衡的自我训练方法来更平衡地选择长尾类别的伪标签样本，实现了点云分类的无监督域自适应，在实验中达到了最先进的性能。

    Mar, 2022

  • LASOR: 通过合成有遮挡感知数据和神经网格渲染学习精确的三维人体姿态和形状

    针对人体姿态和形状估计中的遮挡问题，特别是人物之间的遮挡问题，本文提出了一种新的框架，通过合成 occlusion-aware 阴影和 2D 关键点方便估计 SMPL 姿态和形状参数，使用三维神经网格渲染器实现了实时新学习，已在现有数据集中表现出优越性能。

    Aug, 2021