RESSCAL3D:点云的分辨率可扩展三维语义分割
本文提出了一种基于 2D-CNN 和多模态网络架构的点云语义分割方法,将点云数据投影到 2D 平面,避免了 3D-CNN 方法中立方体体素化降低空间分辨率和增加内存消耗的限制,并在 Semantic3D 数据集上达到了相对增益 7.9%的最新最佳结果。
May, 2017
本研究介绍了 SEGCloud,一种利用三线性插值和完全连接条件随机场等方式得到端到端三维点级分割的框架,可实现对室内和室外三维数据集进行准确的场景标注。
Oct, 2017
该研究主要讨论了基于深度学习的三维分割在点云数据处理中的应用,并评估了不同分割算法对不同数据集的竞争力以及最常使用的处理流程、其优势、限制、未来研究方向等。
Jun, 2024
本文介绍了使用一维全卷积网络对点云数据进行语义标记的方法,该方法直接分析经过地形归一化后的点,并结合光谱数据以学习上下文特征。我们的方法不需要手动提取特征,且在多个方面上比传统方法表现更优越,其中包括利用 ISPRS 3D 语义标注竞赛数据获得了 81.6% 的准确率,F1 分数比最高准确率方法高 1.69%。此外,本文还展示了该方法可轻松扩展到 2D 语义分割任务。
Oct, 2017
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
本研究提出了一种融合 3D 卷积神经网络 (CNN)、深度 Q 网络 (DQN) 和残差循环神经网络 (RNN) 的方法,对大规模三维点云进行高效的语义解析,取得了优于现有方法的分类结果。
Jul, 2017
本文提出了一种用于 3D 点云的多任务点位网络,实现了语义和实例分割,并比较了不同数据集上的表现。与单一组件相比,我们的方法表现出了更好的鲁棒性和语义分割性能,使用了多值条件随机场进行语义与实例标签联合优化。
Apr, 2019
本文提出一种可扩展且健壮的方法,通过多视点三维立体点云计算三维表面网格,能够处理点密度极大跳跃,用于提取表面假设和合并表面假设,具有卓越的精度和完整性。
May, 2017
针对 3D 点云的分割问题,我们提出了一种新的点云分割框架,该框架能有效地优化整个场景的像素级特征,几何结构和全局上下文先验。实验结果表明,该方法优于现有的一些最先进的方法,并探讨了在三维重建场景中合成相机姿态以获得更高的性能。
Aug, 2019