Recurrent Slice Networks for 3D Segmentation of Point Clouds[CVPR2018]

最新推荐文章于 2026-01-02 22:20:25 发布
原创 最新推荐文章于 2026-01-02 22:20:25 发布 · 330 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #点云 #分割

本文介绍一种用于点云特征提取的轻量级模块，通过slicepoolinglayer将无序点特征转化为有序序列，利用RNN建模上下文依赖，最终通过1×1卷积层提取语义特征。

在这里插入图片描述[论文链接]

\qquad 作者提出了一种轻量级的局部依赖建模模块，利用slice pooling layer将无序的点特征集转换为有序的特征向量序列。
在这里插入图片描述
\qquad 首先按照各个坐标轴将点云且为等距的块，把每个块内点的特征聚合为一个块的特征，用这个特征向量表

最低0.47元/天 解锁文章
【论文笔记】Recurrent Slice Networks for 3D Segmentation of Point Clouds
oohlala2018的博客
09-26 2453
Recurrent Slice Networks for 3D Segmentation of Point Clouds（CVPR2018,Spotlight） Qiangui Huang， Weiyue Wang， Ulrich Neumann University of Southern California 一、背景 由于点云数据是无序的和非结构化的，传统的CNN、RNN方法难以被拓展使用...
2020-Point attention network for semantic segmentation of 3D point clouds
自动驾驶行业学习、交流
01-07 1416
Point attention network for semantic segmentation of 3D point clouds Mingtao Fenga, Liang Zhangb, Xuefei Linc, Syed Zulqarnain Gilanid and Ajmal Miand* 年份：2020 期刊：Pattern Recognition IF：7.196 1、创新 1）通过attention机制实现LAE-Convs 学习丰富的局部信息 2）point-wise spatial
点云深度学习系列五： RSNet：Recurrent Slice Networks for 3D Segmentation on Point Clouds
oliongs的博客
09-19 5815
1. 整体框架 初始n*d的点云，首先经过输入特征提取块(3卷积层，每层64个1*1滤波器)，输出n*din大小的特征Fin；通过x、y、z三个方向的切片池化层将无序点云转换为有序序列；采用双向RNN处理序列，更新特征；采用切片上池化层映射回每个点；最后经过输出特征提取块(3个1*1卷积层，输出维度为512，256，K)，处理Fsu(切片上池化层的输出)，输出每个点的预测 2.局部依赖模块...
3D点云分割论文阅读(二)——Recurrent Slice Networks for 3D Segmentation of Point Clouds
m0_53498459的博客
12-23 538
3D点云分割论文阅读(二)——Recurrent Slice Networks for 3D Segmentation of Point Clouds 前言 论文原文链接为：https://arxiv.org/pdf/1802.04402.pdf 注：以下仅为个人想法，如有错误请批评指正。 一、目的 将无序、非结构化的点云转化为有序、结构化的点云，进而利用端到端的学习算法来解决局部上下文以来问题。 通过输入N3的点云，生成N1的物体类别标签，进而实现3D点云的语义分割功能。 二、方法 主要框架结构
点云论文汇总
calvinpaean的博客
07-16 4436
本博客转自https://github.com/Yochengliu/awesome-point-cloud-analysis awesome-point-cloud-analysis for anyone who wants to do research about 3D point cloud. - Recent papers (from 2017) Keywords dat.: ...
三维点云语义分割【综述】 ——Deep Learning for 3D Point Clouds: A Survey
热门推荐
Dujing2019的博客
02-16 1万+
3D POINT CLOUD SEGMENTATION3D Semantic SegmentationProjection-based NetworksPoint-based NetworksInstance SegmentationProposal-based MethodsProposal-free MethodsPart SegmentationSummary 3D点云分割需要了解全局几何结...
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 5988
文章目录摘要简介：2 背景2.1 数据集2.2 衡量指标3 3D形状分类3.1基于多视角的方法3.2基于体素的方法3.3 基于点的方法3.3.1逐点MLP网络3.3.2基于卷积的网络3.3.3基于图的网络3.3.4基于数据索引的方法3.3.5其他方法小结4 3D物体检测与跟踪4.1 3D物体检测4.1.1 基于候选区域的方法4.1.2 single-shot方法4.2 3D对象跟踪4.3 3D场景流估计4.4 小结：5 3D点云分割5.1 3D 语义分割5.1.1 基于投影的方法5.1.2 基于离散的方法5
CVPR2018下载+CVPR2018论文百度云+2018CVPR论文下载+2018CVPR百度云
王博（Kings）的博客
06-25 5314
链接：https://pan.baidu.com/s/1QUXtDp5RQVNx-R55TkL13Q 提取码：
点云处理——3D Point Cloud Segmentation
qq_24505417的博客
09-25 3507
任务三：点云语义分割 (3D point cloud semantic segmentation)
MeteorNet: Deep Learning on Dynamic 3D Point Cloud Sequences[ICCV2019 Oral]
cxy666
06-08 1578
论文链接 Code \qquad作者提出了一种新的方法学习表示动态三维点云序列。方法的关键是一个称为MeteorNet的神经网络模块。该模块以点云序列为对象，在时空邻域中聚合信息，学习每个点的特征。模块可以堆叠在一起，将上一个模块的每个点特性输入到下一个模块。层次化的模块从较大的邻居处获取信息。特征的聚合过程是通过对邻域中的每个点使用相同的多层感知器(MLPs)，然后使用最大池来实现的。 \qquad文章提出的模型直接使用原始点云的动态序列，并学习全局和局部点特征，可应用于分类、语义分割和场景流估.
An Efficient PointLSTM for Point Clouds Based Gesture Recognition[CVPR2020]
cxy666
06-16 1406
论文链接 \qquad本文提出了一种在保留空间结构的前提下实现信息从过去帧传播到未来帧的PointLSTM方法来对序列点云数据做手势识别和动作识别。PointLSTM通过权值共享的LSTM层，将过去帧邻近点的状态信息与当前特征相结合，更新当前状态。这种方法可以集成到许多其他的序列学习方法中。 \qquad近年来RNN和LSTM在序列建模上取得了成功，利用LSTM可以从时空的一致性捕捉到运动和外观随时间的变化。论文中所使用的长短期记忆网络为一般的LSTM： h(t),c(t)=LSTM(y(t),h(t−1)
Just Go with the Flow: Self-Supervised Scene Flow Estimation[CVPR2020 Oral]
cxy666
06-22 1279
[论文链接] \qquad现有的估计场景流的方法都需要有标注的场景流数据去使用监督的方法训练网络。本文作者提出了使用两个自监督损失函数训练（场景流估计）网络的方法，这两个损失函数分别基于最近邻和cycle consistency（不知道该怎么翻译。。。）。自监督的训练方法使得大量没有标注信息的自动驾驶数据集可以用于训练网络。使用本篇文章自监督方法训练的网络，表现与目前最好的使用监督方法学习的网络效果相当。如果使用自监督训练并在小规模标注数据上监督学习，可以得到超越当前最好方法的表现。 \qquad假定估计.
FlowNet3D - Learning Scene Flow in 3D Point Clouds[CVPR2019]
cxy666
06-21 1045
[论文链接] | [代码链接] \qquad本文作者提出了一个端到端估计场景流的网络结构——FLowNet3D。在FLowNet3D中引入了两个新的点云学习层：（1）学习联系两帧点云的flow embedding层；（2）学习将特征从一个点集传播到另一个点集的set upconv层。 \qquadFlowNet3D主要包含以上三个模块：（1）set conv层学习点云中点的特征，并对点云进行下采样；（2）flow embedding层学习两帧点云的几何联系以预测流；（3）set upcon.
3D Recurrent Neural Networks with Context Fusion for Point Cloud Semantic Segmentation[ECCV2018]
cxy666
06-06 1035
\qquad本文主要有两个创新点，首先利用逐点金字塔池化来捕获不同尺度的局部上下文信息，然后利用两个方向上的层级顺序循环神经网络来融合更大范围的上下文信息。算法在室内室外3D点云数据集上均取得了较好的效果。 \qquad网络首先学习逐点的特征，然后使用逐点的金字塔池化获取不同尺度的上下文信息，将不同尺度的局部信息与点的特征拼接。 \qquad关于金字塔池化，首先将3D空间按照地平面分为1.5m×1.5m1.5m \times 1.5m1.5m×1.5m的块，每个块包含整个房间的高度。进行Pointwis.
Exploring Spatial Context for 3D Semantic Segmentation of Point Clouds[ICCV2017]
cxy666
06-06 799
PointNet将输入的点细分为一个个块（个人理解为训练模型时的一个个Batch）并且独立的处理这些Block。在本文中，作者在PointNet的基础上提出了两种扩展模型，增大了模型在3D场景中的感受野，从而使模型可以处理更大尺度的空间场景。 ​ 将点块转换为multi-scale blocks和grid blocks，以获得input-level的上下文。然后，将PointNet提取的块级特征依次输入到合并单元(CU)或周期性合并单元(RCU)中，获得输出级上下文。 ​ .
DAR-Net: Dynamic Aggregation Network for Semantic Scene Segmentation[Arxiv]
cxy666
06-06 672
论文链接 ​ 这篇文章中作者提出了一个支持动态特征聚合的网络DAR-Net。DAR-Net的核心思想是生成一个自适应的pooling skeleton，这个结构既考虑了场景的复杂结构也结合了局部几何特征。skeleton提供可变的半局部感受野和权重，成为了连接局部卷积特征提取器和全局循环特征聚合器的桥梁。 ​ skeleton如上图所示，我的理解所谓skeleton就是一些能够反映点云集合特征的keypoint。 ​ 网络的pipeline如上图所示，首先根据点
基于深度学习的车牌识别系统
qq_35827191的博客
01-02 567
本文提出了一种基于深度学习的车牌识别系统解决方案，采用模块化设计架构，包含车辆检测(YOLOv3-tiny)、车牌定位(RetinaNet)和字符识别(LPRNet)三大核心模块。系统通过轻量级模型实现实时处理能力，利用特征金字塔网络和Focal Loss优化小目标检测效果，并采用端到端的字符识别方案。文章详细阐述了技术选型依据、网络结构原理、代码实现细节及环境配置要求，为车牌识别系统的开发提供了完整的实践指导。该系统可广泛应用于智能交通、安防监控等场景，具有良好的实用价值。
深度学习资源合集
最新发布
宝宝单机的博客
01-02 555
Small but Mighty: Enhancing 3D Point Clouds Semantic Segmentation with U-Next Framework
05-09
This framework uses a combination of convolutional neural networks (CNNs) and recurrent neural networks (RNNs) to improve the accuracy of 3D point cloud segmentation. The U-Next framework is ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值