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。


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)