AAAI-2024 三维点云(3D Point Cloud)相关论文

最新推荐文章于 2025-06-03 13:02:15 发布
最新推荐文章于 2025-06-03 13:02:15 发布
阅读量1k 收藏 9
点赞数 14
分类专栏： 3D点云 三维计算机视觉 文章标签： 3d 人工智能 计算机视觉 深度学习 神经网络
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。
本文链接：https://blog.youkuaiyun.com/weixin_42155685/article/details/143245049
版权

AAAI-2024 三维点云(3D Point Cloud)相关论文

Invisible Backdoor Attack against 3D Point Cloud Classifier in Graph Spectral Domain

文章解读: http://www.studyai.com/xueshu/paper/detail/1a24e662a0

文章链接:(10.1609/aaai.v38i19.30099)

Interpretable3D: An Ad-Hoc Interpretable Classifier for 3D Point Clouds

文章解读: http://www.studyai.com/xueshu/paper/detail/21a009e056

文章链接:(10.1609/aaai.v38i2.27944)

Point-to-Spike Residual Learning for Energy-Efficient 3D Point Cloud Classification

文章解读: http://www.studyai.com/xueshu/paper/detail/2be70ce894

文章链接:(10.1609/aaai.v38i6.28425)

Explicitly Perceiving and Preserving the Local Geometric Structures for 3D Point Cloud Attack

文章解读: http://www.studyai.com/xueshu/paper/detail/53c9e934c6

文章链接:(10.1609/aaai.v38i4.28146)

Curvature-Invariant Adversarial Attacks for 3D Point Clouds

文章解读: http://www.studyai.com/xueshu/paper/detail/5bb01c4b2e

文章链接:(10.1609/aaai.v38i7.28542)

Modeling Continuous Motion for 3D Point Cloud Object Tracking

文章解读: http://www.studyai.com/xueshu/paper/detail/80f221707c

文章链接:(10.1609/aaai.v38i5.28196)

PointCVaR: Risk-Optimized Outlier Removal for Robust 3D Point Cloud Classification

文章解读: http://www.studyai.com/xueshu/paper/detail/8af9c3d6e2

文章链接:(10.1609/aaai.v38i19.30129)

MM-Point: Multi-View Information-Enhanced Multi-Modal Self-Supervised 3D Point Cloud Understanding

文章解读: http://www.studyai.com/xueshu/paper/detail/f6186549e3

文章链接:(10.1609/aaai.v38i7.28501)

Interpretable3D：一种用于3D点云的即时可解释分类器
冯子材的博客
04-18 290
Interpretable3D：一种用于3D点云的即时可解释分类器。
AAAI论文解读|BEV-MAE Bird‘s Eye View Masked Autoencoders for Point Cloud Pre-training in Autonomous
paixiaoxin的博客
02-19 753
本文提出了一种高效的掩码自动编码器预训练框架BEV-MAE，旨在解决自动驾驶场景中基于激光雷达的3D目标检测方法在从头训练过程中对大规模标注数据的依赖。BEV-MAE采用鸟瞰图引导的掩码策略，指导3D编码器在BEV视角下学习特征表示，并避免复杂的解码器设计。通过引入可学习的点令牌，保持3D编码器在微调时的一致感受野大小，同时提出点密度预测以学习位置信息。
3D点云（3D point cloud）及PointNet、PointNet++
verse_armour的博客
12-25 1万+
PointNets
Invisible Backdoor Attack with Sample-Specific Triggers
weixin_46782905的博客
01-10 3720
论文链接: Invisible Backdoor Attack with Sample-Specific Triggers 代码链接：Invisible Backdoor Attack with Sample-Specific Triggers 文章目录Introduction Introduction
2024年顶会SNN相关论文
热门推荐
lanpeople的博客
12-23 1万+
2024年脉冲神经网络（Spiking Neural Network，SNN）相关论文
3D Point Cloud Processing and Learning for Autonomous Driving（自动驾驶中的3D点云处理与学习）论文笔记
weixin_45657478的博客
06-28 1044
自动驾驶中的3D点云处理与学习
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 5522
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
论文解读 | 基于双分支特征交互的 3D 点云配准方法
旷视开发者技术社区
03-21 3660
此篇论文已被AAAI 2022 收录，论文链接请见“阅读原文”。3D 点云配准是匹配和叠加在不同时间、不同视角以及不同传感器下获取的两个或多个点云的过程，此技术被广泛应用于三维场景重建（3...
3D点云攻击资源大全：论文、代码与技术要点
3D点云数据是三维空间中一组点的集合，这些点代表物体表面的特定位置。它在自动驾驶汽车、机器人导航、三维重建等许多应用中非常重要。由于这些应用往往与安全性紧密相关，因此3D点云数据的可靠性对于系统的正确运行...
3D Object Detection经典论文整理【分类/下载/代码/笔记】
u013086672的博客
01-10 4136
笔者分类整理了与三维目标检测有关的经典论文和部分最新论文的PDF下载链接、开源代码、阅读笔记（部分）。笔者认为的必读经典论文通过加粗标识。论文主要按照Point-based和Voxel-based来划分，还包括一些交叉领域新的方向，比如Transformer、Self-ensembling等。
3D点云-CVPR2017-PointNet:Deep Learning on Point Sets for 3D Classification and Segmentation
一名从Java开发工程师转型的人工智能研究生，致力于图像修复和图像超分领域的探索与研究。通过博客分享个人的学习心得、研究成果以及在人工智能应用中的实际经验，欢迎与同行交流。
09-08 3808
3D点云（Point Cloud）、PointNet、PointNet++介绍，包含源码解析
论文精读 —— Invisible Backdoor Attack with Sample-Specific Triggers
Waldocsdn的博客
06-08 3668
最近，后门攻击对深度神经网络（DNNs）的训练过程构成了新的安全威胁。攻击者试图将隐藏的后门注入到DNNs中，使得受攻击的模型在良性样本上表现良好，而一旦攻击者定义的触发器激活隐藏的后门，其预测结果将恶意地被改变。现有的后门攻击通常采用的设定是触发器与样本无关，也就是说，不同的被污染样本中包含相同的触发器，这导致了现有的后门防御能够轻易地减轻攻击。在这项工作中，我们探讨了一种新的攻击范式，其中后门触发器是样本特定的。在我们的攻击中，我们只需要修改某些训练样本中的看不见的扰动。
3D点云深度学习」综述论文--Deep Learning for 3D Point Clouds: A Survey
无崖子的博客
06-26 9290
三维点云深度学习研究综述 论文：Deep Learning for 3D Point Clouds: A Survey 作者：Yulan Guo 时间：2019-12 引言 动机： Point cloud learning （点云学习）由于在视觉、自动驾驶、机器人等方面的广泛应用，近年来受到了广泛的关注。最近，随着点云的深度学习变得更加兴旺，人们提出了许多方法来解决这一领域的不同问题。为了促进未来的研究，本文对点云深度学习方法的最新进展进行了全面的综述。 挑战： 深度学习技术目前已经成为成功解决各种二
PointDSC: Robust Point Cloud Registration using Deep Spatial Consistency (PointDSC) 论文学习笔记小结
Codefmeister's BLOG
04-19 3263
PointDSC工作基于利用空间一致性的Outlier Removal, 是对Spectral Match(SM)算法的改进与拓展。SM算法通过长度一致性构建对应关系间的相容图。随后使用特征分析来进行聚类，区分离群点和内点。其缺陷主要在于：长度一致性在很多场景下的辨别能力不够强（遂通过深度学习的特征进行取代）。离群点较多时可能出现反客为主的情况，inliers不能取得主宰的地位，特征分析会失效。 PointDSC主要由三个模块构成，一个是空间一致性特征引导的非局部几何特征提取模块SCNonlocal Mo.
精选论文集：三维点云有哪些必读的论文？
soaring_casia的专栏
09-30 1219
声明：转载本文请联系本文作者 三维点云是最重要的三维数据表达方式之一，SLAM、三维重建、机器人感知等多个领域，点云都是最简单、最普通的表达方式。三维点云处理在学习中需要参考大量的论文资料文献，但在众多的论文中，有哪些论文是必读的呢？ 在『三维点云处理』课程上，黎嘉信老师为我们推荐了很多必读的论文，深蓝学院助教管郡智结合老师推荐的论文，为我们整理了24篇精选论文，并根据三维点云应用的不同方向分类，希能为大家提供一定的帮助。 ——文末有论文领取通道哦~—— 一起来看看都有哪些论文吧！ 1. Clas
3D Point Cloud Generation with Millimeter-Wave Radar
qq_40639828的博客
10-13 1334
Abstract 新兴的自动驾驶系统需要可靠的3D环境感知。不幸的是，目前的主流认知模式，即照相机和激光雷达在具有挑战性的照明和天气条件下易受攻击。另一方面，尽管车辆雷达全天候工作，但今天的车辆雷达仅限于位置和速度检测。在本文中，我们介绍了MilliPoint，这是一个实用的系统，它提高了生成三维点云的雷达感应能力。MilliPoint的关键设计原则在于使合成孔径雷达（SAR）能够在低成本的商用车辆雷达上成像。为此，MilliPoint对信号变化与雷达运动之间的关系进行建模，实现了雷达在波长尺度精度下的自
点云处理——3D Point Cloud Segmentation
qq_24505417的博客
09-25 3380
任务三：点云语义分割 (3D point cloud semantic segmentation)
CVPR 2020 3D点云 Point Cloud 文章汇总
成长的竹
06-19 7768
点云文章列表 近年来，对于点云处理的研究越来越火热。Github上面有一个工程，汇总了从2017年以来各大会议上点云论文，awesome-point-cloud-analysis ,但尚未包括刚刚release的CVPR2020中的点云论文。 本文主要整理CVPR2020中的点云相关论文，总共70多篇，供大家查阅，后期还会持续更新文章分类和解读。 欢迎来到点云世界。 CVPR2020 点云文章汇总 Upgrading Optical Flow to 3D Scene Flow Through Optica
谷歌地图高清卫星地图2026中文版下载|谷歌地图3D卫星高清版 V7.3.6.9796 最新免费版下载 - 前端工具导航
最新发布
weixin_63898682的博客
06-03 1059
Google earth和Google maps都需要在联网的情况下才能使用，其中Google earth因为使用的地图数据实在太大，无法在一台普通机器上装下所有的地图，因此需要安装客户端软件，通过这个客户端软件浏览地图。通过使用该软件，你就可以在这里看到外太空星系、大洋峡谷等场景，通过高清的卫星地图，可以清晰查看地图、地形、3D建筑、卫星图像等信息，让你可以更轻松的探索世界，了解世界。3、谷歌地图提供18种地图源下载（卫星，地形，电子地图 如谷歌地球、百度 天地图 必应 搜搜 搜狗等等……
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