May, 2024

PRENet：用于实时 3D 动作识别的平面适应冗余编码点云序列网络

PDF
TL;DR我们提出了一种名为 PRENet 的点云序列网络，利用平面拟合减少序列的空间冗余，并同时对整个序列的时间冗余进行编码，从而实现减少冗余计算。实验结果表明，我们的方法几乎达到了其他最先进方法相同的识别准确率，但速度快了近四倍。
point cloud action recognitionredundant computationsprenetplane-fit embeddingspatio-temporal consistency encoding
发现论文，激发创造
  • SequentialPointNet：一种强大的基于帧的点云序列并行网络，用于 3D 动作识别

    本研究提出了一个有效而轻量化的点云序列模型，能够在 3D 动作识别方面实现较高的准确性和效率，主要包括点云序列数据扁平化和超点序列混合等方法。实验证明，该模型在速度和效果方面均优于现有模型。

    Nov, 2021

  • RecNet: 基于范围图像嵌入的可逆点云编码用于多机器人地图共享与重建

    该研究介绍了一种名为 RecNet 的新方法，通过将三维点云投影到深度图像并使用编码器 - 解码器框架进行压缩，从而同时解决资源受限机器人和多机器人系统中有效的位置识别问题。通过提取该过程中的潜在向量用于高效的位置识别任务，RecNet 不仅取得了可比较的位置识别结果，而且保持了紧凑的表示形式，适合在机器人之间实现无缝共享以重建其集体地图。通过对 RecNet 进行包括位置识别性能、重建点云的结构相似性和仅共享潜在向量而得到的带宽传输优势在内的一系列指标进行评估，该方法为在导航、定位、地图合并和其他相关任务中的应用开辟了新的途径。通过公开数据集和实地实验对所提出的方法进行了严格评估，证实其在真实世界应用中的有效性和潜力。

    Feb, 2024

  • 使用递归集编码进行点云处理

    本文提出了一种新的置换不变网络用于 3D 点云处理，该网络由循环集编码器和卷积特征聚合器组成，对于无序点集，使用循环神经网络（RNN）对其进行编码并将功能集成到 2D 卷积神经网络（CNN）中，用于层次化特征聚合，该网络在空间特征学习方面表现出色，在多个基准测试中表现优异， 与最新技术水平相比也更加高效。

    Nov, 2019

  • PCRNet: 使用 PointNet 编码的点云配准网络

    该论文提出了一个新框架，利用 PointNet 表征对齐点云和执行注册，以实现跟踪，3D 重建和姿态估计等应用，能够根据点云的形状信息生成特定形状或通用的方法，并具有噪声和数据初始化错位的鲁棒性。

    Aug, 2019

  • PointeNet: 一种高效且有效的点云分析轻型框架

    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

  • 一种框架以注册它们所有: PointNet 编码用于点云对齐

    本文提出了一种新的基于 PointNet 编码的点云对齐和配准框架，避免了 ICP 等流行配准方法中的计算昂贵的对应点搜索步骤，适用于 3D 重建、跟踪和姿态估计等应用，能够处理噪声、初始错位以及粗糙点云，并通过大量模拟和真实实验验证了算法的有效性和性能优势。

    Dec, 2019

  • 空间 - 时间图形循环神经网络用于点云预测

    提出一种端到端学习网络，用于预测点云序列中的未来帧，其中网络以点云的拓扑信息作为几何特征学习初始层，形成代表性的时空邻域，在多个 Graph-RNN 单元中学习点的动态（即 RNN 状态），并与时空邻近点一起处理。测试结果表明，我们的方法在忽略几何特征信息的基准线方法上表现出色，应用于包括 MINST 运动数字、合成人体动作和 JPEG 动态人体数据集的预测中。

    Feb, 2021

  • MeteorNet：动态 3D 点云序列上的深度学习

    本文提出了一种名为 MeteorNet 的神经网络结构，用于学习动态 3D 点云序列的表示，该网络直接处理点云序列并构建了两种构建时空邻域的方法，表现优于传统基于网格的方法且达到了先进水平。这是深度学习方面对于动态原始点云序列的首次研究。

    Oct, 2019

  • E2PNet：事件到点云的时空表示学习的配准

    2D-3D registration for event cameras is studied using a learning-based method called E2PNet, which employs a novel feature representation network called EP2T. E2PNet outperforms hand-crafted and other learning-based methods, and demonstrates potential for various vision tasks.

    Nov, 2023

  • PCPNet：一种用于点云预测的高效语义增强变换网络

    本文提出一种新的高效 Transformer-based 的点云预测网络，并设计了语义辅助训练策略来对未来的 LiDAR 点云进行预测，该方法是完全自监督的，并且在预测结果和语义相似性上表现出超越最先进的 PCP 方法的性能，具有良好的实时性能。

    Apr, 2023