- 从点云序列进行离线 3D 物体检测
本文提出了一种使用点云序列数据的离线三维对象检测方法,通过多帧对象检测和新颖的对象中心细化模型利用时间点,实现了高质量的自动化三维对象标注,比当前先进的在线检测器表现更优秀,甚至接近人类标注。
- PointCutMix:点云分类的正则化策略
本研究提出了一种名为 PointCutMix 的简单有效的点云数据增强方法,通过优化两个点云之间的最优分配并将一个样本中的点替换为其最优分配对来生成新的训练数据,以提高各种模型在点云分类问题上的性能和模型的鲁棒性。
- CVPRSOE-Net:一种用于基于点云的场所识别的自注意力和方向编码网络
介绍了一种基于自注意力和定向编码网络的点云数据识别方法,通过采用 Hard Positive Hard Negative 四元组损失函数和采样方法,取得优于现有方法的性能表现。
- ECCV基于 Lidar 点云的弱监督三维物体检测
本文提出一种基于弱监督学习的 3D 物体检测方法,只需要少量弱标记场景和少量精确标记的物体实例来训练,而且使用该方法训练的模型可以作为 3D 物体注释器使用,并显示出提高性能的潜力。
- WWWShapeVis:大规模高维数据可视化
本文提出了一种基于拓扑数据分析的可扩展点云数据可视化技术 ——ShapeVis,通过构建数据流形上的加权见证图和从标准社区检测算法中引入的感应映射来压缩表示点云特征,并使用模块化方法剪枝和重建图形以总结数据的形状。与 Mapper 方法相比 - PointVoteNet: 点云中准确的物体检测和 6 自由度位姿估计
本文提出了一种基于学习的方法,用于在点云数据中完成刚性物体的 6 自由度姿态估计,并且相比于使用 RGB 信息进行物体检测的方法,本方法可以通过初始检测到最终转换估计阶段处理无序的点集来实现准确的姿态估计,有些情况下还能够超过在相同数据上训 - 逆境天气下,基于 CNN 的激光雷达点云去噪
本文提出了基于卷积神经网络的滤波方法,以改善在恶劣天气条件下激光雷达的场景理解表现,并且证明该方法能通过在控制天气环境下的大规模数据集上训练,显著提高性能。
- 快速可扩展的点云学习 Grid-GCN
本文提出了名为 Grid-GCN 的方法,用于快速和可扩展的点云学习。Grid-GCN 使用一种新颖的数据结构策略,Coverage-Aware Grid Query(CAGQ),通过利用网格空间的效率,提高了空间覆盖范围,同时减少了理论时 - DeepPCO: 深度并行神经网络实现的端到端点云里程计
本文研究如何利用深度学习估计点云里程计,并提出了一个称为 DeepPCO 的新型神经网络模型,可通过估计连续点云来预测 6 自由度姿态,实验结果表明该方法在位姿准确性方面表现良好。
- ICCV重新审视点云分类:一个新的基准数据集和基于真实世界数据的分类模型
本文研究基于点云数据的深度学习技术在解决三维计算机视觉领域中的经典问题方面的应用。作者介绍了 ScanObjectNN 数据集并展示了其对于点云对象分类问题的挑战性,提出了三个关键的挑战问题,并提出了一些解决方案,最终实现了在背景杂乱的情况 - 快速点云 R-CNN
本篇研究提出了一种基于点云的三维物体检测框架,采用两个阶段的方法,利用体素表示和点云原始数据的优势进行特征提取,并在 KITTI 数据集上进行评估,取得了 3D 和 Bird's Eye View(BEV)检测的最新成果,检测速度达到了每秒 - SynthCity:大规模的合成点云数据集
论文介绍了一个名为 SynthCity 的新型开放式数据集,可以提供一个用于深度学习自动分类三维点云数据的高质量的数据源。采用合成数据进行预训练网络是可能的解决方案。本文的贡献在于介绍了一种基于 3D 虚拟环境生成的全色移动激光扫描点云的数 - Voxel-FPN:在点云中多尺度体素特征聚合的三维物体检测
本研究提出了一种基于 LIDAR 传感器的一阶段 3D 目标检测器,该检测器在从点数据中提取特征上表现出更好的性能,并在 KITTI-3D 基准测试中表现优异,其速度和准确性在实际场景中具有实际应用价值。
- 具有球谐核的有效旋转不变点 CNN
本研究提出了一种新的旋转不变结构,可用于操作点云数据以及在神经网络的各个层级中注入了旋转不变性。采用基于球谐函数的核心技术,实现对非刚体物体的局部旋转与整体转型的旋转不变性,并采用空间分区结构进行更高效的汇聚操作,进而最终,在不需要采用数据 - ICCV点云三维目标检测的深度 Hough 投票
本文提出了一种基于深度点集网络和 Hough 投票的端到端三维物体检测网络 VoteNet,通过纯几何信息在两个大型真实三维扫描数据集 ScanNet 和 SUN RGB-D 上实现了最先进的三维检测,且模型设计简单,模型大小小,效率高,并 - MVX-Net: 基于多模态 VoxcelNet 的三维物体检测
该研究提出了两种简单而有效的融合 RGB 和点云模态的早期融合方法,称为 PointFusion 和 VoxelFusion,并利用 VoxelNet 结构来结合这些模态,从而实现与最先进的多模态算法竞争力相当的表现,其能够在 KITTI - GSPN: 三维点云中用于实例分割的生成形状提案网络
实例分割是计算机视觉中的关键任务之一,本研究提出了一种名为生成形状提案网络(GSPN)的 3D 对象提案方法,并将其应用于一种新颖的 3D 实例分割框架中,名为区域点网络(R-PointNet)。GSPN 引入了几何理解以及生成技术来提出精 - CVPRPointFusion:用于 3D 边界框估计的深度传感器融合
使用 PointFusion 实现基于图像和点云信息的 3D 对象检测方法,其中 CNN 和 PointNet 网络分别处理图像和点云数据,再由新型融合网络将二者输出结合起来预测多个 3D 框及其置信度,相比现有方法在 KITTI 和 SU - 基于点云的三维全卷积网络车辆检测
本文将全卷积网络技术扩展到三维,并将其应用于点云数据的车辆检测任务中,实验结果表明该方法在自动驾驶领域的 KITTI 数据集上表现较之前的点云检测方法有显著提升。
- SE3-Nets: 使用深度神经网络学习刚体运动
SE3- Nets 是深度神经网络,旨在通过原始点云数据来建模和学习刚体运动。它学习分割影响物体部分并预测由应用力导致的运动的 SE3 变换,相较于传统的基于流的神经网络,它能够产生更加一致的运动预测结果。