关注文章公众号
回复"SFFAI25论文"获取本主题精选论文
最近,由于自动驾驶,机器人等的发展,3d视觉逐渐引起了研究人员和工程师的关注。今天,两位主讲嘉宾从自己的角度为大家精选了近期处理3d 点云数据的几个代表性方法,和大家一起学习分享最新的研究成果。
你可以认真阅读,来现场和讲者面对面交流哦。
1
推荐理由:该工作发表于CVPR 2018。主要思路是将不规则的点云数据投影到规则的高维网格中,并使用稀疏双边卷积(sparse bilateral convolutional)实现高维网格中的特征学习。该工作通过引入高维网格空间,使得视图和点云的联合学习和推断成为可能,非常值得一读。
推荐理由来自:饶永铭
2
推荐理由:该工作发表于ECCV 2018。该工作使用球面投影的方法将表示为3D物体表示在球面上,并利用谱域卷积进行特征学习,以得到旋转不变的特征。该工作重新引发了对3维模型旋转鲁棒性的关注,方法十分新颖,非常推荐阅读。另外,同期还有ICLR 2018最佳论文之一的“Spherical CNNs”也提出了类似的方法,同样值得一读。
推荐理由来自:饶永铭
3
推荐理由:该工作发表于NIPS 2016。在传统卷积网络中,训练后的卷积滤波器权重固定不变。这篇工作提出了一个新卷积框架(图1),在测试阶段,卷积滤波器的权重根据输入数据而动态生成。该卷积框架在视频预测、图数据处理等领域具有非常广泛的应用,尤其是图数据处理,多篇顶会论文的核心idea均来自于此。强烈推荐大家阅读该论文,择需调研引用该论文的文章,相信会受益匪浅。
推荐理由来自:刘永成
4
推荐理由:该工作发表于CVPR 2017,受到“Dynamic Filter Networks”的启发,提出了一个新颖的图卷积网络,并且第一个将图卷积应用于点云分类。该工作在点云上构建图,将每一个三维点作为图顶点,用三维点坐标定义边属性。卷积滤波器的权重根据输入的三维点以及边属性动态生成,捕获图结构信息,整个流程简单来说就是三维点—图—边属性—卷积权重。该工作构建的图卷积不受图数据不规则性的影响,同时满足卷积操作的范式,非常值得一读。
推荐理由来自:刘永成
5
推荐理由:该论文于2018年1月就挂在arXiv上,到现在仍未正式发表,但其重要价值不可忽略。该工作也是构建图卷积网络,但动机非常直观:在点云学习中,高维特征空间中邻近的点,其在原始三维空间中所处的局部形状结构也应该相似。基于此,该工作在特征空间中寻找近邻点构建图网络。由于每一层的特征都不同,于是所构建的图在动态变化,因此称为动态图卷积。此外,为了捕获点间关系,该工作提出边缘卷积,即对由每一层特征所构建的边特征进行卷积。这篇论文idea新颖直观,方法简单有效,推荐阅读。
推荐理由来自:刘永成