Jun, 2024

SWCF-Net：相似度加权卷积与局部 - 全局融合的高效大规模点云语义分割

PDF
TL;DR通过提出了一种名为 SWCF-Net 的相似度加权卷积和局部 - 全局融合网络，结合了局部和全局特征，以提高大规模点云的分割效率和语义上下文理解能力。通过将相似度权重融入卷积操作中，以增强泛化能力，从而有效地提取局部特征。同时，在注意力模块中对关键通道进行下采样操作，实现了线性复杂度，使得 Transformer 能够高效处理大规模点云。最后，从全局特征中提取正交分量，并与局部特征进行聚合，消除局部和全局特征之间的冗余信息，从而提高了效率。实验结果在大规模室外数据集 SemanticKITTI 和 Toronto3D 上验证了 SWCF-Net 的有效性，并且与较低计算成本相比，获得了有竞争力的结果，能够高效处理大规模点云。
large-scale point cloudsegmentationswcf-netlocal-global fusionefficiency
发现论文，激发创造
  • 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

  • pCTFusion: 基于点融合变换器的语义感知损失用于户外 LiDAR 点云分割

    这篇研究提出了一种新的架构，pCTFusion，它结合了基于核的卷积和自注意机制，以便更好地进行特征学习，并捕捉分割中的局部和全局依赖关系。该架构在 SemanticKITTI 室外数据集上进行评估，与现有的先进架构相比，性能提高了 5-7％，特别是对于常因类别不平衡、空间不足和邻近特征编码而被错误分类的次要类别，效果更加显著。这些方法的发展可以用于复杂数据集的分割，并推动 LiDAR 点云的实际应用。

    Jul, 2023

  • MCFNet: 实时语义分割的多尺度协方差特征融合网络

    基于 BiseNet 的多尺度协方差特征融合网络 (MCFNet) 提出了一种新的架构，引入了新的特征细化模块和特征融合模块，并提出了名为 L-Gate 的门控单元来过滤无效信息和融合多尺度特征，实验结果显示我们的方法在 Cityscapes 和 CamVid 数据集上取得了竞争性的成功，其中在 Cityscapes 数据集上获得了 75.5% 的平均交并比 (mIOU) 和 151.3FPS 的速度。

    Dec, 2023

  • PointPWC-Net: 一种基于粗到细的网络，用于 3D 点云的监督学习与自监督学习场景流估计

    本文提出了一种新颖的端对端深度场景流模型 PointPWC-Net，通过粗到细的方式处理 3D 点云数据，包括新型的成本体量、上采样和变形层来有效地处理 3D 点云数据，利用自监督损失进行训练。实验结果表明，在 FlyingThings3D 数据集上超过了现有技术，并且在未经微调的情况下，在 KITTI Scene Flow 2015 数据集上表现出很好的泛化能力，优于所有先前的方法。

    Nov, 2019

  • 学习预测上下文自适应卷积用于语义分割

    本文提出了一种上下文自适应卷积神经网络 (CaC-Net)，用于语义特征映射的空间变化特征加权。实验证明，CaC-Net 在语义分割任务中的性能优于其他方法。

    Apr, 2020

  • FPS-Net：大规模 LiDAR 点云分割的卷积融合网络

    该研究设计了 FPS-Net 网络，利用点云投影图像的不同特征进行多模态特征融合，旨在优化点云的分段。该网络的有效性在广泛实验中得到证明，可以实现优于现有方法的语义分割，并且引入的多模态融合思想也兼容于典型的投影方法。

    Mar, 2021

  • 紧凑的双重融合网络用于边缘检测

    本文提出了一种紧凑型次级融合网络 (Compact Twice Fusion Network, CTFN)，其中包括语义增强模块 (Semantic Enhancement Module, SEM) 和伪像素级加权模块 (Pseudo Pixel-level Weighting, PPW) 以完全整合多尺度特征，以及一种名为动态聚焦损失的新型损失函数，可用于处理纹理噪声干扰带来的分类挑战，在三个数据集上评估，CTFN 在参数和计算成本上均优于现有最先进方法。

    Jul, 2023

  • 大规模场所识别的高效三维点云特征学习

    本文提出了一种高效的点云学习网络 (EPC-Net) 以形成全局描述符用于视觉地方识别，该网络具有良好的性能并且可以降低计算内存和推理时间，通过在代理点和空间相邻矩阵上进行简化的边缘卷积实现对点云本地几何特征的聚合，然后设计轻量级分组 VLAD 网络 (G-VLAD) 以形成检索的全局描述符。

    Jan, 2021

  • 探索卷积融合网络在视觉识别中的应用

    通过卷积融合网络 (CFN) 和适应性权重的学习，实现多尺度深度表示的高效融合，并在场景识别、细粒度识别和图像检索等任务中获得显著改进。

    Nov, 2016

  • 三维点云语义分割的点注意力网络

    本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

    Sep, 2019