Apr, 2024

使用完全卷积几何特征和隐式姿态编码从点云中进行蘑菇分割和3D姿态估计

HTML
PDF
TL;DR发展深度学习方法以在三维数据中对蘑菇进行分割并估算其姿态，通过合成数据集解决标注问题，并通过验证和定性结果证明提出的方法的有效性。
发现论文，激发创造
  • PointNet：基于点集的深度学习用于三维分类和分割

    本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

    Dec, 2016

  • Semantic3D.net：一个新的大规模点云分类基准

    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

  • 深度投影三维语义分割

    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

  • 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

  • 点云上的环形卷积神经网络A-CNN

    本研究提出一种新的卷积方式，能够直接在3D点云上进行计算，并利用其环形结构捕捉每个点的局部邻域几何特征，通过应用于神经网络，实现了目标分类、部件分割和语义分割等任务，并在多个标准基准数据集上取得了比同类算法更好的结果。

    Apr, 2019

  • 形状推姿：任意三维物体的深度姿态估计

    我们提出了一种完全通用的深度姿态估计方法，通过动态条件姿态估计和目标物体的3D模型表示相结合，能够对不属于预定义类别的自然实体进行训练并将其推广到全新类型的3D对象。

    Jun, 2019

  • 通过点云的监督学习实现6D物体姿态回归

    本文提出了一种利用点云深度信息并结合卷积神经网络和几何姿态优化，分别使用旋转和平移回归网络的方法来估算已知3D物体的6自由度姿态，其中通过旋转轴角表示旋转并使用测地线损失函数进行回归，实验结果在YCB-video数据集上明显优于现有方法。

    Jan, 2020

  • 无监督预训练用于3D叶片实例分割

    通过自主训练的方法，该论文提出了一个新的用于植物表型分析的网络骨干初始化方法，并引入了一种针对叶片实例分割的新型自动后处理方法，实验证明我们的方法在所有调研场景中均提升了性能。

    Jan, 2024

  • M18K：用于蘑菇检测和实例分割的全面RGB-D数据集和基准

    农业过程自动化是提高效率和可持续性的有力工具。本研究提供了一个专门用于按钮蘑菇自动采摘、生长监测和质量控制的蘑菇检测数据集，包含了超过18000个蘑菇实例。该数据集填补了蘑菇专用数据集的空白，并作为智能蘑菇农业中检测和实例分割算法的基准。通过对数据集进行详细评估和先进的算法性能分析，研究详细介绍了数据集的特点，同时公开了所有资源，包括图片、代码和训练模型，均可通过GitHub库获取。

    Jul, 2024

  • CF-PRNet：用于点云补全和重建的粗到细原型精炼网络

    本研究解决了农业中常见的从部分视图重建水果准确3D形状的挑战。提出的CF-PRNet网络利用高分辨率3D数据进行训练，却仅需单张RGB-D图像进行实时推断。实验结果显示该方法在点云重建中表现优异，领先于同类挑战。

    Sep, 2024