八进制网络

OctNet：学习高分辨率的深层3D表示。我们提出了OctNet，一个稀疏三维数据深度学习的表示。与现有的模型相比，我们的表示使三维卷积网络既深又高分辨率。为了达到这个目标，我们利用输入数据中的稀疏性，使用一组非平衡八叉树对空间进行分层划分，其中每个叶节点存储一个集合的特征表示。这样可以将内存分配和计算集中到相关的密集区域，并在不影响分辨率的情况下实现更深层次的网络。通过分析分辨率对三维物体分类、方位估计和点云标记等三维任务的影响，证明了OctNet表示的实用性。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH中的参考文献（参考文献10条)

显示第1到第10个结果，共10个。
按年份排序(引用)

  1. 加代、桑比特；李先耀；巴鲁，阿迪提亚；萨卡，苏米克；Krishnamurthy，Adarsh:用于学习CAD模型中多尺度空间特征的多分辨率3D CNN（2021）
  2. 平、玉涵；魏国栋；杨磊；崔志明；王文平：三维牙科数据的自我注意内隐函数网络（2021）
  3. 哈克尔，蒂莫；乌斯维亚佐夫，米哈伊尔；加利亚尼，西尔瓦诺；韦格纳，1月D日。；康拉德辛德勒：利用和保持CNNs稀疏性的推理、学习和注意机制（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. 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）
  6. 罗苏，拉杜·亚历山德罗；昆泽尔，简；Behnke，Sven:使用语义纹理网格通过标签传播进行半监督语义映射（2020）
  7. 斯图兹，大卫；盖格，安德烈亚斯：在弱监督下学习3D形状完成（2020）
  8. 陈明嘉；邹倩芳；王长波；Liu，Liang:EdgeNet:3D形状的深度度量学习（2019）
  9. 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
  10. 加代、桑比特；巴鲁，阿迪提亚；萨卡，苏米克；Krishnamurthy，Adarsh：学习钻孔可制造性分析3D CAD模型中的本地化特征（2018）