Apr, 2024

通过向量化核混合（VecKM）的线性时间和空间局部点云几何编码器

PDF
TL;DR提出了一种新颖的本地点云几何编码器 VecKM，具有描述性、高效性和鲁棒性。VecKM 利用向量化的核混合来表示本地点云，这种表示具有描述性和鲁棒性，通过两个定理证实了其重构和保持本地形状相似性的能力。此外，VecKM 是首次成功尝试将计算和存储成本从 $O (n^2+nKd)$ 减少到 $O (nd)$ 的编码器，牺牲了边际的常数因子，其中 $n$ 是点云的大小，$K$ 是邻域大小。在法线估计任务中，与现有的流行编码器相比，VecKM 不仅推断速度快 100 倍，而且具有最强的描述性和鲁棒性。在分类和分割任务中，将 VecKM 集成为预处理模块，始终比 PointNet、PointNet++ 和点变换器基线表现更好，并且运行速度始终快 10 倍。
发现论文，激发创造
  • 优化的 Cartesian K-Means

    本文提出了 Optimized Cartesian $K$-Means（OCKM）方法，用于对高维数据进行编码以实现更准确的最近邻搜索，通过多个子码本中的多个子码字进行编码以提供更大的灵活性和更低的失真误差

    May, 2014

  • 快速核场景流

    我们提出了一种利用经典核表示法的新方法，通过解决线性系统来实现对密集激光雷达点的高效处理，在各种分布场景下具有出色的实时性能和竞争性能，适用于大规模激光雷达数据的高效场景流估计。

    Mar, 2024

  • PointRWKV：高效的 Hierarchical Point Cloud Learning 模型

    PointRWKV 是一种基于 RWKV 模型的线性复杂度模型，用于点云学习任务，通过全局处理和并行分支编码有效提取点云的几何特征，具有多尺度特征学习能力，在各种点云学习任务中表现出色且节约计算资源。

    May, 2024

  • 修正的高斯核多视图 k 均值聚类

    该研究论文介绍了两种新的多视图 k-means（MVKM）算法，旨在解决多视图数据的问题；通过在高斯核空间中使用欧氏范数计算相似性，通过压缩高斯核加权欧氏距离的方式减小了 MVKM-ED 方法的敏感性；在五个真实世界的多视图数据上进行的数值评估表明，我们提出的 MVKM-ED 和 GKMVKM 方法具有鲁棒性和高效性。

    May, 2024

  • 神经核表面重建

    本文提出了一种从大规模、稀疏且带噪声的点云中重建三维隐式表面的新方法，采用神经内核场（NKF）表示法，通过紧凑支持的核函数扩展规模，利用内存高效的稀疏线性求解器进行计算，并采用梯度拟合求解方法来提高抗噪性能，同时还最小化了训练要求，能够处理不同尺度物体和场景混合训练数据的情况。该方法能够在几秒钟内重建数百万个点，并能够处理非常大的场景。该方法在由单个物体、室内和室外场景组成的重建基准测试中取得了最先进的结果。

    May, 2023

  • 快速可扩展的多内核编码器分类器

    本文介绍了一种基于核的分类器，通过将核矩阵视为广义图，并利用图嵌入技术的最新进展，提出了一种新的核矩阵嵌入方法，能够快速且可扩展地进行嵌入，无缝地整合多个核以增强学习过程。通过随机变量，我们对该方法进行了人群级别的理论分析。在实证方面，我们的方法在各种模拟和真实数据集上表现出优越的运行时间，与支持向量机和两层神经网络等标准方法相比，实现了可比较的分类准确性。

    Jun, 2024

  • 基于语义类别的图像检索的可扩展非线性嵌入

    提出了一种新颖的算法，用于通过非线性嵌入向量到低维欧氏空间中进行监督判别距离学习，该方法可以被视为核神经网络，并且可以通过类似于线性 Mahalanobis 距离度量学习算法的近似核化得出，该方法的模型参数数量和测试时间评估复杂度均为 O (dD)，其中 D 是输入特征的维度，d 是投影空间的维数，在具有数十万个训练对的 CNN 特征的数据集上进行了实证比较。

    Sep, 2015

  • 可扩展核聚类：近似核 k-means

    本文提出了一种基于随机化的近似核 K-means 簇算法，其利用采样点与数据集中所有点之间的核相似性来近似聚类中心，实现了与传统低秩核近似聚类方案相比更好的聚类性能、更短的运行时间和更小的内存需求，最后利用集成聚类技术进一步提高算法性能。

    Feb, 2014

  • KPConv：用于点云的灵活可变形卷积

    Kernel Point Convolution（KPConv）是一种新的针对点云进行卷积的设计，其卷积权重位于欧几里得空间中的核点，能够适应任意数量的核点，由于其具有连续性，可以学习适应局部几何特征的形变卷积，并可用于许多复杂和简单任务的分类和分割，优于现有分类和分割方法。

    Apr, 2019

  • 核 t 分布随机邻域嵌入

    本文介绍了 t-SNE 算法的核化版本，能够将高维数据映射到低维空间并在非欧几里德度量下保留数据点之间的成对距离，可以通过仅在高维空间或在两个空间中使用核技巧来实现，提供了数据点之间关系的新视角，改进了包括使用核方法的分类问题的性能和准确性，并利用多个数据集阐明了 t-SNE 和其核化版本之间的区别，展示了不同类别点的更整洁的聚类。

    Jul, 2023