关键词3d point cloud segmentation
搜索结果 - 4
- 利用大规模预训练视觉基础模型进行高效标签的 3D 点云分割
通过采用大规模预训练模型、计算机视觉和 2D 任务,本研究提出了一种新的框架来解决 3D 点云分割任务,通过将 2D 语义分割预测投影到 3D 空间,并引入语义标签融合策略,实现了在扩展的数据集上的 3D 场景理解。
- CVPR适用于 3D 点云分割的分层 Transformer
本文提出了 Stratified Transformer 算法,实现了对于长程依赖的建模,通过关键采样策略提高了机器学习模型的有效感受野,并且结合位置编码增强了性能与收敛速度。实验也证明了该算法在三个数据集上的有效性和优越性。
- 3D 点云的深度学习:概述
本文综述了近期 point cloud learning 领域深度学习方法在 3D 形状分类、3D 物体检测与跟踪、3D 点云分割三大任务中的最新进展及其对公共数据集的比较结果,并提出了可启发未来研究的深刻见解和方向。
- 一个统一的基于点的 3D 分割框架
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。