Feb, 2024

基于CUDA的稀疏卷积在GPU上的三维点云优化

HTML
PDF
TL;DR近年来，深度学习方法的利用显著增加，尤其是卷积神经网络（CNNs），已成为涉及结构化网格数据的各个领域，如图片分析和处理中的主要方法。然而，在许多领域中，激光雷达和3D传感器的指数增长导致了对3D点云分析的增加需求。与照片不同，点云呈现稀疏性且缺乏规则网格，因此存在着不同的处理和计算问题，这对于包括物体识别在内的各种应用非常关键。
发现论文，激发创造
  • Flex-Convolution （百万级点云学习：超越网格世界）

    本文介绍了一种新型灵活卷积方法，及其 GPU 实现，以适应不规则的 3D 点云数据，并在百万级数据集上获得了显著提升。该方法具有较小的参数和存储需求，是首个能同时处理700万个点的有效方法。

    Mar, 2018

  • 多尺度体素深度网络对点云场景的分类

    描述了一种卷积神经网络，用于分类城市或室内场景的3D点云，采用多尺度邻域的点位置进行点分类，排名第二，并打败了不使用正则化步骤的最新点分类方法。

    Apr, 2018

  • 大规模点云的全卷积点网络

    提出了一种用于处理大规模3D数据的一般用途的全卷积网络，具有内部将无组织的点云转换为有序结构以通过3D卷积处理的能力，可用于许多3D任务的通用点云描述符。在语义体素分割，语义部分分割和3D场景字幕数据集上进行了评估。

    Aug, 2018

  • PointConv：3D点云上的深度卷积网络

    本文介绍了一种新的卷积操作PointConv，此操作可用于处理3D点云并建立深度卷积神经网络，该网络具有创建非线性函数权重和密度函数的功能, 实验表明，PointConv可用于挑战性的语义分割基准测试，并在2D图像的结构相似情况下提供类似于卷积网络的性能。

    Nov, 2018

  • 具有上下文编码的密度感知卷积网络用于航空 LiDAR 点云分类

    本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于3D点云分类，同时在ISPRS 3D标注基准上实现了新的最优性能。

    Oct, 2019

  • 3D点云的深度学习：概述

    本文综述了近期 point cloud learning 领域深度学习方法在 3D 形状分类、3D 物体检测与跟踪、3D 点云分割三大任务中的最新进展及其对公共数据集的比较结果，并提出了可启发未来研究的深刻见解和方向。

    Dec, 2019

  • 基于3D点云深度学习的极小对抗样本

    本论文通过对点云模型的对抗攻击提出了全新的统一公式，此方法可以攻击分类模型的功能，考虑到攻击点的感知能力，并确保最小程度上的点操作，实验证明此方法在合成数据和真实数据上均取得了超过89%和90%的攻击成功率，并仅操作了总点数约4%。

    Aug, 2020

  • 基于三维点云数据的三维对象和场景的分类、识别、分割和重构：综述

    本文综述了现有的三维点云分析技术及其算法、应用场景和目标，介绍了使用的数据集和评估指标，并比较了现有解决方案的性能，最后分析了当前技术面临的挑战和吸引人们注意的未来趋势。

    Jun, 2023

  • 基于深度学习的三维点云分类：系统调查与展望

    该论文介绍了点云的获取、特点和挑战，回顾了点云分类的3D数据表示、存储格式和常用数据集，总结了基于深度学习的点云分类方法，并对最新研究进展进行了补充，对主要方法的性能进行了比较和分析，并讨论了点云分类面临的一些挑战和未来方向。

    Nov, 2023

  • 深度学习技术在三维点云分类和语义分割中的综述

    本研究综述了深度学习在点云处理中的最新进展、挑战和潜在研究方向，重点关注点云分析中的3D形状分类和语义分割两个主要任务。

    May, 2024