- 博客(35)
- 收藏
- 关注
原创 【文献翻译】Contrastive Boundary Learning:对比边界学习在点云分割中的应用
通过在多尺度场景背景的帮助下对比点的表征,增强跨边界点之间的特征识别。
2022-04-20 16:16:55
798
原创 【文献翻译】ISSF:实例分离和语义融合
实例分离模块:用实例特定的质心位置来补充位置不变性语义特征,以帮助分离不同的实例;语义融合模块:基于注意力机制,将注意图编码到实例嵌入空间中,并将注意图应用到语义特征空间中进行语义信息融合。...
2022-04-11 16:09:59
271
原创 【文献翻译】FPCC: 用于实例分割的快速点云聚类
识别大量相同类别的被遮挡物体是一个非常具有挑战性的问题。在一个常见的拣箱子场景中,许多相同的物体堆叠在一起,并且这些物体的模型是已知的。因此,可以忽略语义信息;相反,拣箱子的重点放在实例的分割上。基于这一任务需求,我们提出了一种快速点云聚类(FPCC)算法用于拣箱场景的实例分割。FPCC包括一个名为 FPCC-Net 的网络和一种快速聚类算法。FPCC-Net 有两个子网,一个用于推断聚类的几何中心,另一个用于描述每个点的特征。...
2021-12-01 15:08:25
888
原创 【文献翻译】PointSIFT: 用于3D点云语义分割的 SIFT-like 网络模块
摘要近年来,三维理解研究为直接从点云中提取特征提供了新的思路[22,24],这需要对点云进行有效的形状模式描述。受二维形状描述符SIFT[15]的启发,我们设计了一个名为PointSIFT的模块,它编码不同方向的信息,并适应形状的比例。具体来说,设计了一个方向编码单元来描述八个关键方向,并通过多个方向编码单元的叠加实现多尺度表示。PointSIFT模块可以集成到各种基于pointnet的体系结构中,以提高表示能力。大量实验表明,我们的基于PointSIFT的框架在标准基准数据集上的表现优于最先进的方法。代
2021-11-18 11:20:57
270
原创 【文献翻译】Instance Aware Embedding
Encode Instance-Aware ContextFbF_bFb 的表示是通过聚合来自覆盖实例空间范围的 RbR_bRb 的信息来增强的。由于这些检测点不一定位于输入点上,因此利用K-NN对 RbR_bRb 特征进行插值。然后将插入的特征添加到原始 FbF_bFb 中,生成包含局部表示和实例上下文的特征。与每个输入点都需要搜索相邻点的ASIS[30]ASIS^{[30]}ASIS[30]相比,我们的方法效率更高。由于在瓶颈层采用了K-NN, PbP_bPb 中的搜索空间比P中的搜索空间
2021-11-11 16:55:05
135
原创 【文献翻译】RandLA-Net:大尺度点云上的高效语义分割
摘要 我们研究了大规模三维点云的有效语义分割问题。由于依赖昂贵的采样技术或繁重的预处理/后处理步骤,大多数现有方法只能在小规模的点云上进行训练和操作。在本文中,我们引入了RandLA-Net,这是一个高效和轻量级的神经体系结构,用于直接推断大规模点云的点语义。我们的方法的关键是使用随机点采样,而不是更复杂的点选择方法。尽管随机抽样具有很高的计算和内存效率,但它可能会偶然丢弃一些关键特征。为了克服这一问题,我们引入了一种新的局部特征聚合模块,逐步增加每个三维点的接受场,从而有效地保留几何细节。大量实验表明,我
2021-07-05 14:54:39
684
原创 【文献翻译】KPConv:灵活且可变形的点云卷积
摘要 我们提出了核点卷积(KPConv),一种新的点卷积设计,即在没有任何中间表示的点云上运行。KPConv的卷积权值通过核点在欧氏空间中定位,并应用于核点附近的输入点。它可以使用任意数量的内核点,这使KPConv比固定的网格卷积更灵活。此外,这些位置在空间上是连续的,可以通过网络学习。因此,kpconv可以扩展到可变形的卷积,学习适应核点局部几何。由于有规律的子采样策略,KPConv对于不同的密度也是有效和健壮的。无论是对复杂任务使用可变形的KPConv,还是对简单任务使用刚性的KPConv,我们的网络
2021-06-27 09:47:37
3264
原创 【文献翻译】3D-BoNet:学习点云上三维实例分割的对象边界盒
Learning Object Bounding Boxes for 3D Instance Segmentation on Point Clouds摘要我们提出了一种新颖的、概念简单且通用的三维点云实例分割框架。我们的方法称为3D-BoNet,遵循逐点多层感知器(MLPs)的简单设计哲学。该框架直接回归点云中所有实例的3D边框,同时为每个实例预测点级掩模。它由一个骨干网络和两个并行网络分支组成,分别进行边界盒回归和逐点掩模预测。3D-BoNet是一个single-stage、anchor-free、
2020-12-14 21:34:53
1554
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人