Polaris

https://github.com/JchenXu/BoundaryAwareGEMAbstract边界信息在2D图像语义分割中发挥了重要作用，而在3D点云分割中常常会被忽略。本文提出了边界预测模型（Boundary Prediction Module，BPM）用于预测点云的边界，基于BPM设计了一个几何编码模块（Geometric Encoding Module，GME）。为了提供额外的几何信息，设计了一个轻量的几何卷积计算。IntroductionGCO注重邻点的角度分布（angular di

Learning Dynamic Routing for Semantic Segmentation （CVPR 2020 Open Access）github源码旷视科技-知乎-论文解读Dynamic Routing会自适应地生成不同的结构进行特征编码，网络可以将不同尺寸的物体（或背景）分配到对应分辨率的层级上，以实现有针对性的特征变换。，相较于Auto Deeplab，Dynamic Routing支持多路径链接、跳跃连接。之前没有阅读过动态路径选择的模型，在阅读论文时有很多不理解的地方，拿源码

笔记笔记笔记文章目录DSRLStructureLoss FunctionHANetStructureDeepLab V3+HANetSPNetStructureResNet+MPMVisualizeCPNetDSRLDual Super-Resolution Learning for Semantic Segmentation超分辨率+语义分割，用超分辨率图来指导语义分割任务（不止是语义分割任务，对其他视觉相关的任务也具有效果提高）现有的语义分割方法往往使用空洞卷积或encoder-decoder

Deep Learning on Point Sets for 3D Classification and Segmentationhttps://github.com/charlesq34/pointnetPointNet摘要(Abstract)点云是一种非常重要的几何数据结构类型。因为它的格式不规则，许多的研究人员通常会将点云数据转换为规则的3D体素网格或者图像集合。然而，这会造成大量...

作者在知乎的介绍，包含论文及源码链接：[CVPR 2020 Oral] RandLA-Net:大场景三维点云语义分割新框架（已开源）作者在深蓝学院的公开课（包括RandLA-Net和 3D-BoNet）：基于三维点云场景的语义分割和实例分割RandLA-Net最大的亮点在于处理的速度快，准确率也还不错。速度上的提升很大程度是由于point inference部分使用了随机降采样，随机地对点...

Ralation-Shape CNN通过深度学习将关系学习从2D学习拓展到3D上。参考：bilibili: 中科院模式识别国家重点实验室在读博士生刘永成：深度学习在3D点云处理中的探索github: yongchengliu...

本文主要是近年来深度学习方法应用在三维点云处理上较好的论文的介绍和链接。

文章目录CVPR2018 DGCNNEdge ConvolutionDynamic graph updatePropertiesArchitectureClassificationPart SegmentationIndoor Scene SegmentationCVPR2018 RSNetDGCNN和RSNet都是基于此前PointNet和PointNet++的工作提出的，与KCNet和Poi...

CVPR2018 SPGLarge-scale Point Cloud Semantic Segmentation with Superpoint Graphs（!论文链接）（!pytorch源码链接）不同于此前的工作，SPG不是去逐点进行分类，而是将物体看作一个完整的整体，去划分整个物体，并且可以描述相邻物体之间的关系，非常适用于上下文分类。SPG的大小是由场景中简单结构的数量来确定的，而不...

ICCV2017 Kd-NetworkEscape from Cells: Deep Kd-Networks for the Recognition of 3D Point Cloud Models(论文链接)(代码链接)Kd-NetworkInput process在进行训练时， Kd-Networks的输入点云集合的大小为N=2DN=2^DN=2D，不满足条件的集合通过欠采样或过采样进...

Introduction论文在Introduction部分花费了大量的篇幅来解释卷积无法直接用在点云数据上的原因，大致主要是因为点云数据的无序性，难以用结构化的数据进行存储。如上图中，图中ii与iii虽然各个点的排序是相同的，但形状却不同，iii与iv虽然点的排序不同，但他们却是相同的点集。为了解决这一问题，作者提出使用空间变换网络(STN),从前一层的数据中取KKK个点，预测一个K×KK\...

PointNet++ 论文学习PointNet在进行学习时，只对一个点或者只对所有点进行处理，因此存在的问题主要有两个，一是没有局部上下文，二是对平移不变性有一定的影响（如果对物体进行平移，所有点的特征都会出现变化）。为了解决这些问题，作者提出了PointNet++，通过使用多层次的特征提取结构来更好的提取局部特征（其想法与CNN感受野的变化类似），然后在此之上实现分类和分割，此外还提出了一种自...

PointNet 论文学习设计理念PointNet在设计时，作者考虑到了点云的三个特征，也就是在论文4.1节所提到的：Unordered、Interaction among points、Invariance under transformations。Permutation invariance对于n个点所构成的点云，无论n个点的排列顺序如何，所表示的点云是同一个，而所设计的网络对于不同...