T3DNet: 用于轻量级三维识别的压缩点云模型
基于 PointNet 的新型点云编解码器,在机器任务分类中实现了更好的速率 - 准确性平衡,相对于非专用编解码器在 ModelNet40 数据集上达到了 94% 的降低 BD 比特率。对于低资源终端设备,我们提出了两种轻量级编码器配置,在 BD 比特率降低 93% 和 92% 的同时,仅消耗了 0.470 和 0.048 的编码器端 kMACs / 点,并降低了 3% 和 5% 的 top-1 准确率,为今后更复杂的任务和数据集提供了专用编解码器的潜力和基础。
Aug, 2023
我们提出了一种新的无损校准的 3D 至 2D 转换方法,使压缩算法能够高效利用二维表示中的空间相关性,通过常见的图像压缩方法和利用递归神经网络的自监督深度压缩方法对结构化表示进行压缩,还对 LiDAR 的强度测量值进行密集二维表示,并提出了一种评估压缩性能的新指标。与基于通用八叉树点云压缩或基于原始点云数据压缩的方法相比,我们的方法在定量和视觉性能上取得了最佳效果。
Feb, 2024
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
本文提出了一个管道,用于在汽车场景中高效压缩 LiDAR 观测数据,首先利用 RangeNet++,一个用于语义推断点标签的深度神经网络来减少信道负载,其次是使用 Draco 对选择的点进行压缩,实验证明该方法可以在 LiDAR 的帧率下实现实时性。
Mar, 2021
面向道路激光雷达的点云压缩方法 PointCompress3D,实现了高效的数据存储、流媒体传输和实时物体检测,优化了压缩性能并保持与原始数据的准确性和兼容性。
May, 2024
PointeNet 是一种专门用于点云分析的高效网络,通过轻量级的架构、低训练成本和即插即用功能,有效捕捉代表性特征,并在分类 / 分割头或嵌入到现成的 3D 物体检测网络中实现了明显的性能改进,尤其适用于自动驾驶等实际场景。
Dec, 2023
本篇论文介绍了基于学习的卷积变换和均匀量化的静态点云数据几何压缩方法,并将解码过程视为点云占用图的二元分类。该方法在 Microsoft Voxelized Upper Bodies 数据集上表现优异,平均 BDBR 节省率达 51.5%,且能够在低比特率下仍产生高分辨率的输出。
Mar, 2019
我们提出了一种专门为机器任务而设计的可扩展点云数据编解码器,基于 PointNet++ 的架构,并在 ModelNet40 数据集上进行了测试,显示了与之前的非专用编解码器相比显著的改进。
Feb, 2024
通过应用知识蒸馏技术来减少模型大小,同时保持性能,本文目的是分析和提出不同的损失函数来模拟不同的稀疏卷积神经网络 (Sparse Convolutional NNs) 的表现,特别是在 3D 深度学习的稀疏张量中,我们在标准 ScanNet V2 数据集上进行了实验,并在最新的基于时空卷积模型上,通过四倍模型减少约 2.6%mIoU 差异和 16 倍模型减少约 8%的实验结果。
May, 2023
该研究提出了一种基于深度学习的点云重建网络,采用两个阶段进行密集化、去噪和点云完整性重建,其中使用了变换器进行离散体素向 3D 点的转换,同时提出了放大位置编码模块以优化变换器,实现在 3D 扫描建模领域的最新水平。
Nov, 2021