点网

点网:对三维分类和分割的点集的深入学习。点云是一种重要的几何数据结构。由于其格式不规则,大多数研究人员将这些数据转换为规则的三维体素网格或图像集合。然而,这会使数据变得不必要的庞大,并导致问题。本文设计了一种新的神经网络,它直接消耗点云,并且很好地尊重输入点的排列不变性。我们的网络名为PointNet,为从对象分类、部件分割到场景语义分析的应用程序提供了一个统一的体系结构。虽然简单,但PointNet非常高效。从经验上看,它表现出了不相上下甚至优于最先进水平的强劲表现。理论上,我们提供分析,以了解网络所学的知识,以及为什么网络对于输入扰动和腐败具有鲁棒性。


zbMATH中的参考文献(参考文献25条)

显示第1到第20个结果,共25个。
按年份排序(引用)
  1. 邓浩;To,Albert C.:基于深度表示学习(DRL)的符合性和应力约束设计拓扑优化(2020)
  2. 埃利亚索夫,摩舍;安德烈,沙利;Treister,Eran:使用参数水平集方法在校准不确定度下进行多模态三维形状重建(2020)
  3. 郎、徐峰;孙正兴:三维形状合成的结构感知形状对应网络(2020)
  4. 刘辛海;韩志忠;洪、方舟;刘玉深;Zwicker,Matthias:LRC网络:通过编码本地区域上下文学习点云上的区分特征(2020)
  5. Nicolas Wagner,Ulrich Schwanecke:NeuralQAAD:高分辨率点云压缩的有效可微框架(2020)阿尔十四
  6. 派,高塔人;约瑟夫里夫林,莫尔;金梅尔,罗恩;Sochen,Nir:几何不变量,学习,形状和形式的识别(2020)
  7. 谢倩、赖玉坤、吴晶、王周涛、张一鸣、徐凯、王军:MLCVNet:3D目标检测的多级上下文VoteNet(2020)阿尔十四
  8. 小孙;Lian,Zhouhui:EasyMesh:从单个图像重建三维网格的有效方法(2020)
  9. 杨宝荣;姚俊峰;王斌;胡建伟;潘一玲;潘天祥;王文平;郭晓虎:P2MAT-NET:从稀疏点云学习中轴变换(2020)
  10. 张丽娜;王士尧;周军;刘健;朱春刚:基于深形状对应的三维把握显著性分析(2020)
  11. 张文晓;龙,澄江;阎庆安;周,Alix L。H、 。;肖春霞:具有临界集监督的多阶段点完成网络(2020)
  12. 巴什里,费雷什特S。;罗斯塔米,雷哈尼;佩西,佩吉;D'Souza,罗山M。;于泽云:流形学习在全局形状描述子中的应用(2019)
  13. 程、宣;曾、明;林金鹏;吴子钊;刘新国:点集的有效(l0)重采样(2019)
  14. 陈明嘉;邹倩芳;王长波;Liu,Liang:EdgeNet:3D形状的深度度量学习(2019)
  15. 崔,查尔斯K。;林少波;周丁轩:旋转不变性逼近与学习的深层神经网络(2019)
  16. 霍弗,克里斯托夫D。;奎特,罗兰;Niethammer,Marc:学习持久性条形码的表示(2019)
  17. 胡思雨;陈学金:从单个RGB图像重建网格的神经网络中使用循环正则化防止自相交(2019)
  18. Jens Behley,Martin Garbade,Andres Milioto,Jan Quenzel,Sven Behnke,Cyrill Stachniss,Juergen Gall:SemanticKITTI:LiDAR序列语义场景理解数据集(2019)阿尔十四
  19. Krishna Murthy Jatavallabhula,Edward Smith,Jean-Francois Lafleche,Clement Fuji Tsang,Artem Rozantsev,Wenzheng Chen,Tommy Xiang,Rev Lebaredian,Sanja Fidler:高岭土:加速3D深度学习研究的Pythorch图书馆(2019年)阿尔十四
  20. 刘佳瑞;夏、青;李帅;郝爱民;秦红:通过潜在空间嵌入和变形学习进行定量和灵活的三维形状数据集扩充(2019)