原创 Normalized Object Coordinate Space for Category-Level 6D Object Pose and Size Estimation
Abstract 本文目的是爲了估計RGB-D圖像中不可見物體的6D位姿和尺寸。和實例級別的6D姿態估計任務相反,我們的問題假設在訓練或測試期間沒有精確的對象CAD模型可用。爲了處理給定類別中不同且不可見的對象實例,我們引入了規範化對象座標
原创 語言組織
Essentially, for our network to upsample a point cloud, it should learn local geometry patterns from the objects. 對於上採樣點
原创 SampleNet: Differentiable Point Cloud Sampling
Abstract 經典的採樣方法(FPS)之類的沒有考慮到下游任務。 改組上一篇工作沒有解決不可微性,而是提供了變通的方法。 本文提出瞭解決不可微性的方法 Introduction
原创 DensePoint: Learning Densely Contextual Representation for Efficient Point Cloud Processing
Abstraction 徹底的掌握難以捉摸的上下文語義信息是本文的目標。 提出一個名爲DensePoint的通用框架去學習點雲的密集的上下文表示。 Introduction 捕捉足夠的上下文語義信息,以徹底掌握難以捉摸的形狀信息。 貢
原创 Mining Point Cloud Local Structures by Kernel Correlation and Graph Pooling
Abstract PointNet沒有充分利用包含豐富結構信息的局部鄰域。 有以下兩種解決方案: 關注局部三維幾何結構:與圖像的卷積核類似,我們定義一個點集的核作爲一個可學習的3D點的集合,這些點根據核相關測量的鄰近數據點的幾何親和性共同
原创 PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks with Adaptive Sampling
來源:2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Abstract 由傳感器或重建算法獲取原始點雲包含異常值和噪聲 PointASN
原创 Structural Relational Reasoning of Point Clouds
來源:2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 總結 開發SRN去理解局部結構之間潛在的聯繫。 摘要 盒子角的對稱性,顯示器表面的連
原创 點雲思路
點雲主要挑戰: \(P\)是無序的,因此需要學習的東西是置換不變的; \(P\)分佈在三維幾何空間中,因此要求學習的模型應該對其剛性變換(旋轉和平移)有魯棒性; \(P\)形成一個潛在的形狀,因此學習到的表徵是應該可以判別形狀的 以P
原创 Relation-Shape Convolutional Neural Network for Point Cloud Analysis
以PointCNN中的\(\mathcal{X}-Conv\)爲例,此處做個引子帶出來卷積的方法。 \(\mathcal{X}-Conv\)來鵝城只爲兩件事: 對每個代表點周圍的點特徵做集成。 在隱空間對輸入做重排去除輸入順序的影響。
原创 PointWeb
Abstract 這篇文章提出了PointWeb,一種在點雲的局部鄰域上下文中提取特徵的新方法,與之前工作不同是,我們在局部鄰域中稠密的將每個點和其他點連接起來。目的是基於局部區域的特徵來指定每個點的特徵,以更好地表示該區域。提出了一種新的
原创 PointCNN: Convolution OnX-Transformed Points
CNN之所以獲得如此大的成功,關鍵在於他的Conv操作,該操作可以利用圖像中密集表示的數據中的局部相關性,得到局部集合結構。此處的想法就是可不可以將其在PointCloud中應用該種想法。 \(\mathcal{X}-Conv\)來鵝城只爲
原创 PointCNN
CNN之所以獲得如此大的成功,關鍵在於他的Conv操作,該操作可以利用圖像中密集表示的數據中的局部相關性,得到局部集合結構。此處的想法就是可不可以將其在PointCloud中應用該種想法。 \(\mathcal{X}-Conv\)來鵝城只爲
原创 PointWeb&PointCNN
Abstract 這篇文章提出了PointWeb,一種在點雲的局部鄰域上下文中提取特徵的新方法,與之前工作不同是,我們在局部鄰域中稠密的將每個點和其他點連接起來。目的是基於局部區域的特徵來指定每個點的特徵,以更好地表示該區域。提出了一種新的
原创 Deep Learning for 3D Point Clouds: A Survey
爲了促進未來的idea生成和鑑別,此處對該篇[Submitted on 27 Dec 2019 (v1), last revised 23 Jun 2020 (this version, v2)]的Deep Learning for 3D
原创 面部不變性的挖掘
Abstract 在本文提出了一種基於子監督方式的人臉關鍵點挖掘的方法。傳統方法絕大多數使用原始配對後的面部特徵和關鍵點數據,並假設他們是均勻分佈的,然而這個假設在現實世界是hold不住的,而且會導致在浪費了大量訓練資源的情況下依然失敗。爲