ICLRJan, 2024

符号作为点：基于点表示的全面符号定位

PDF
TL;DR该研究探讨了全局符号定位问题，即如何从计算机辅助设计绘图中找到和解析可数的物体实例（窗户、门、桌子等）和不可数的材料（墙壁、栏杆等）。研究采用了点云分割方法，将图形基元视为一组局部连接的二维点，并利用点变换器提取基元特征，并附加类似于 mask2former 的定位头来进行最终输出预测。另外，为了更好地利用基元的局部连接信息并增强其可区分性，研究还提出了关联模块（ACM）和对比连接学习方案（CCL）。该方法被命名为 SymPoint，简单而有效，在 FloorPlanCAD 数据集上相较于最先进方法 GAT-CADNet 提高了 9.6％的 PQ 和 10.4％的 RQ。
panoptic symbol spottingcomputer-aided designpoint cloud segmentationprimitive featuresmask attention module
发现论文，激发创造
  • SymPoint 革命：利用层次特征增强提升全景符号定位

    SymPoint-V2 是一种利用点集表示解决 CAD 图纸上全景符号识别任务的方法，通过引入 Layer Feature-Enhanced 模块和 Position-Guided Training 方法，提高了性能和收敛速度。

    Jul, 2024

  • 基于渐进点定位的逐像素符号检测用于解析 CAD 图像

    本研究提出了一种通过渐进高斯核（PGK）进行像素点位置的方法，以平衡训练效率和位置准确性，通过关键点检测，提出了一种符号分组方法，以重新绘制 CAD 图像中的矩形符号。在电信行业 CAD 绘图中提取的 CAD 图像上进行的广泛实验表明，所提出的方法具有良好的泛化能力。

    Apr, 2024

  • 基于点级监督的全卷积网络用于全景分割

    本文介绍了一种名为 Panoptic FCN 的全监督和弱监督全景分割方法，使用点注释，可以在高效率下实现对物体实例和场景杂物类别的分割。通过使用所提出的内核生成器对每个物体实例或场景杂物类别进行编码，直接卷积高分辨率特征进行预测，实现了物体实例感知和语义一致属性的分割，且不需要额外的盒子用于定位或实例分离。经过广泛的实验，Panoptic FCN 在 COCO，VOC 2012，Cityscapes 和 Mapillary Vistas 数据集上均表现出了吸引人的效率和效果，是全监督和弱监督全景分割的一种新方法。

    Aug, 2021

  • PAN++：高效准确的任意形状文本端到端定位

    本文提出了一个基于核心表示的端到端文本发现框架，可在自然场景中检测和识别任意形状的文本，并取得了竞争性的精度和高速度。

    May, 2021

  • 点级监督的全景分割

    本文提出了一种新的弱监督全景分割方法，使用逐点标注替代像全监督方法那样使用像素级标签，通过构建端到端的框架同时从逐点标签生成全景伪掩模进行学习，最小化像素到点间的遍历成本以模拟语义相似性、低级纹理线索及高层流形知识，以实现像素解析。在实验中，本文基于 Pascal VOC 及 MS COCO 数据集证明了此方法的有效性及其领先的性能。

    Oct, 2022

  • Panoptic-PolarNet：无需提议的 LiDAR 点云全景分割

    提出了一种名为 Panoptic-PolarNet 的快速而强健的 LiDAR 点云全景分割框架，使用极坐标鸟瞰图表示进行语义分割和类无关实例聚类，以解决城市街景中实例的遮挡问题，实验结果表明 Panoptic-PolarNet 在 benchmark 数据集上表现优异。

    Mar, 2021

  • PyramNet: 点云金字塔注意力网络和图嵌入模块的分类和分割

    本研究通过 PyramNet 网络，结合两种新算子 GEM 和 PAN，实现在 3D 场景的点云对象分类和语义分割，以进行对 3D 数据的深度学习应用和实现。

    Jun, 2019

  • Point2Mask: 基于最优传输的点坐标辅助全景分割

    该研究提出了一种名为 Point2Mask 的有效方法，利用单个随机点注释实现高质量的全景预测，通过将伪掩码生成视为最优传输问题，并使用 Sinkhorn-Knopp 迭代解决方案，在 Pascal VOC 和 COCO 数据集上取得了有希望的结果。

    Aug, 2023

  • 基于双向预测的六维物体姿态估计中的点级注意力利用

    传统的几何注册方法只隐含地利用了 CAD 模型，这导致它们对观察质量的依赖性和遮挡缺陷。为了解决这个问题，本文提出了一种具有点对注意机制的双向对应预测网络，它不仅需要模型点预测对应关系，还明确地建模了观察和模型先验之间的几何相似性。我们的关键见解是，每个模型点与场景点之间的相关性为学习点对匹配提供了必要的信息。为了进一步解决特征分布差异带来的相关性噪声，我们设计了一个简单而有效的伪孪生网络来提高特征的一致性。在 LineMOD、YCB-Video 和 Occ-LineMOD 的公共数据集上的实验结果表明，所提出的方法在相同评价标准下取得了比其他最先进方法更好的性能。它的姿态估计的稳健性得到了极大的改善，特别是在遭受严重遮挡的环境中。

    Aug, 2023

  • CAPNet：使用 2D 监督的连续近似投影进行 3D 点云重建

    提出了一种名为 CAPNet 的不可分辨投影模块，采用多个前景掩膜作为监督数据，通过连续逼近点云点来建立投影模型，通过 'affinity loss' 损失公式规避了稀疏投影问题，显著优于现有基于投影的方法，可在缺乏大量 3D 数据的情况下构建高质量 3D 重建。

    Nov, 2018