- 遥感场景点云语义分割的双可变形点卷积
通过学习纬度 - 经度平面和高度方向上的可变形采样点,我们提出了新颖的卷积算子 —— 双可变形点卷积 (TDConvs),以实现自适应特征学习;在现有的流行基准测试上,实验证明我们的 TDConvs 达到了最佳的分割性能,超过现有的最先进方 - 基于范围图像的点云分割中缺失值的填充的重要性
点云分割在机器人感知和导航任务中起着重要作用,本文提出了一种新的投影方法,以及简单有效的填充方法,并介绍了两个网络模型,通过采用这些方法,现有的基于范围图像的点云分割模型在性能上取得了明显的改善。
- 基于 LiDAR 点云分割的路缘检测框架 CurbNet
CurbNet 是一种使用点云分割进行路边检测的新型框架,通过利用高度变化来训练模型,采用多尺度和通道注意力模块以及曲线拟合技术,在噪音减少、检测精度提高的同时,实现了卓越的检测性能和鲁棒的泛化能力,创立了新的基准水平。
- 区域变换器:自注意力区域基点云分割
基于区域转换器的自我注意力机制的增长式点云分割模型优于以往的通用类和特定类方法,通过自我注意力捕捉远距离依赖关系,在训练过程中避免了对语义标签的需求,适用于灵活的点云分割,并可应用于机器人技术、数字化双生和自动驾驶等领域。
- ICLR符号作为点:基于点表示的全面符号定位
该研究探讨了全局符号定位问题,即如何从计算机辅助设计绘图中找到和解析可数的物体实例(窗户、门、桌子等)和不可数的材料(墙壁、栏杆等)。研究采用了点云分割方法,将图形基元视为一组局部连接的二维点,并利用点变换器提取基元特征,并附加类似于 ma - U3DS$^3$: 无监督的三维语义场景分割
针对任何整体三维场景,本论文提出了 U3DS$^3$ 作为一个完全无监督的点云分割方法,通过利用点云的固有信息来实现全三维场景分割,并且在 ScanNet、SemanticKITTI 和 S3DIS 数据集上提供了最新的研究成果和具有竞争力 - ICCV点云分割的 2D-3D 交替 Transformer,具备场景级别监督
我们提出了一种多模态交叉变压器(MIT),它同时考虑 2D 和 3D 数据,用于弱监督点云分割。
- PointHR: 探索高分辨率三维点云分割架构
我们在这篇论文中探讨了高分辨率架构用于三维点云分割,提出了一种名为 PointHR 的统一流水线模型,并通过在 S3DIS 和 ScanNetV2 数据集上的实验证明其优越性。
- 面向点云分割的动态聚类变换网络
该研究提出了一种新的三维点云表示网络,称为动态聚类变换网络(DCTNet),它利用编码器 - 解码器架构来学习全局和局部特征,并提出了新的语义特征动态采样和聚类方法以及一个高效的语义特征引导上采样方法,验证了其在点云分割任务上的性能优于现有 - OctFormer: 三维点云的基于八叉树的 Transformer 模型
OctFormer 使用基于八叉树的关注机制进行分割和检测,这种关注机制具有高效性和灵活性,且在多个基准测试中表现出优异的性能。
- 从 3D 到鸟瞰图的知识蒸馏用于 LiDAR 语义分割
该研究提出了一种有效的三维(3D)到 Bird's-Eye-View(BEV)知识蒸馏方法,将丰富的知识从基于 Voxel 的模型传递到基于 BEV 的模型,该方法应用于自动驾驶领域的 LiDAR 点云分割任务中,明显提高了准确性,Sema - ECCV弱监督点云分割的双重自适应转换
提出一种基于 smoothness-based methods 的 DAT(Dual Adaptive Transformations)模型,通过在点级和区域级上执行对抗性策略,以强制实施 3D 点云的局部和结构光滑约束,从而有效地利用未标 - CVPR点云分割的对比界限学习
本文介绍了一种基于对比边界学习(CBL)的方法,在多个尺度上利用场景上下文来增强点之间边界对比的特征鉴别力,提高了 3D 点云分割的性能,尤其是在场景边界上的表现
- ICCV点云分析的自适应图卷积
本文提出了 Adaptive Graph Convolution (AdaptConv) 来生成自适应的核,以动态地学习点云的特征,从而以灵活、精确地捕捉不同语义部分点之间的多样关系的方式,改善了基于点云的卷积操作的适应能力,并且在几个基准 - ICCVDRINet: 一种面向点云分割的双表示迭代学习网络
本文介绍了一种用于点云分割的新型网络结构 DRINet,能够在保持点云内在属性的前提下,通过迭代地在两种不同的表示之间传播特征来提高点云分割性能,并利用多尺度池化层改进上下文信息传播。实验结果表明,该方法在几个数据集上实现了最先进的分割性能 - ICCV学习加噪标签用于鲁棒性点云分割
本文提出了一种基于点噪声自适应学习(PNAL)框架的点云分割算法,包括一种基于历史预测的可靠标签点选择和一种投票策略的集群微调方法,有效解决了一些实际场景中存在的标签噪声问题。
- AAAI从合成到真实激光雷达点云的迁移学习用于语义分割
通过收集含有准确几何形状和综合语义类别的点云注释的 SynLiDAR,以及设计点云翻译器 PCT,将合成数据转换为真实数据,这极大地提高了点云翻译,为研究 3D 转换提供了高质量的数据来源。
- ICML随机平滑的可扩展认证分割
提出了一种基于随机平滑的图像和点云分割的新认证方法,利用多重测试机制确保统计保证,并能够对单一像素或点进行分类性弃权,实现对整个输入的鲁棒分割,实验证明算法在真实世界的分割任务中具有具有竞争力的精度和认证保证。
- CVPR渐进接收野组件推理下的全监督点云分割
本文提出了一种在点云分割中使用的全尺度监督方法 —— 逐渐递进的感受野组件推理(RFCR),其中目标 RFCC 将以渐进分类推理方式监督解码器,最终获得语义标签。实验结果表明,RFCR 方法在三个具有挑战性的基准测试中显着提高了骨干网络的性 - CVPR深层参数连续卷积神经网络
本文提出了可操作非网格结构数据的一种新的可学习算子 —— 参数化连续卷积,并在室内外场景的点云分割和驾驶场景的激光雷达运动估计中实验证明,相较于现有技术有显著提升。