分享一篇今天新出的论文Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud,来自卡内基梅隆大学(CMU)的研究人员提出使用图神经网络(GNN)进行点云数据的3D目标检测,取得了最先进的效果,甚至超越了一些基于点云和RGB数据融合的检测方法,为这一领域开辟了新的技术方向。
作者设计了一个名为Point-GNN的图神经网络,用于预测图中每个顶点所属对象的类别和形状。在Point-GNN中,作者提出了一种减少平移方差的自动配准机制,并设计了一种box merging和评分操作,以准确地组合来自多个顶点的检测。在KITTI benchmark上的实验表明,所提出的方法单独使用点云达到领先的精度,甚至可以超过基于融合的算...
继卷积神经网络在2D视觉上获得前所未有的成功之后,近年来,如何让计算机理解3D世界,特别是如何延续深度学技术在3D视觉问题上的表现受到了越来越多的研究人员关注。3D视觉数据的表示方式有多种,如点云(Point Cloud)、网格(Mesh)等。本节我们来介绍其中具有代表性的点云数据的学习。 图3 点云分割示意图 点云数据是...
2、Point-GNN for 3D Object Detection in a Point Cloud 2.1 Graph Construction 2.2 Graph Neural Network with Auto-Registration 2.3 Loss 2.4 Box Merging and Scoring 3、Experiments 1|0Abstruct 提出了一种图神经网络来检测激光雷达点云中的目标,为此将点云编码在一个固定半径的近邻图中。 设计了Point-GNN...
Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud Motivation CNN需要regular grids作为输入,但点云通常是sparse and irregular,因此采用规则的网络表示点云grid-based,会导致每个grid cell中点的分布不均,用CNN处理crowded cells会有潜在的信息损失,处理empty cells会浪费计算资源 ...
最近，Li等人构建了一个 56 层 GNN，将点云语义分割（point cloud semantic segmentation）任务中的最新技术提高了 3.7%。他们的工作证明了stacking GNN与CNN一样深的可能性以及超深GNN的优势。然而，他们用来构建如此深的 GNN 的一个关键策略是动态改变图中的边，这不适用于具有固定边的图，例如分子。因此，需要...
点云的概念:点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合,在获取物体表面每个采样点的空间坐标后,得到的是点的集合,称之为“点云”(Point Cloud)。 点云的获取设备:RGBD设备是获取点云的设备,比如PrimeSense公司的PrimeSensor、微软的Kinect、华硕的XTionPRO。
3D视觉数据的表示方式有多种,如点云(Point Cloud)、网格(Mesh)等。 (1)点云 点云数据是一种有效的三维物体的表示方法,它随着深度感知技术,比如微软的Kinect以及激光探测与测量技术的发展而流行起来。点云数据由一组点组成,每个点都记录有三维坐标(x,y,z),除此之外,还可以记录采集点的颜色、强度等其他丰富的...
The same DC-GNN model is extended to carry out part segmentation in the point cloud data using the ShapeNet-Part benchmark dataset. The proposed network reports the state-of-the-art classification accuracy of 93.64% with ModelNet-40 dataset (Source-Code-https://github.com/merazlab/DC-GNN)...
Point-GNN This repository contains a reference implementation of ourPoint-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud, CVPR 2020. If you find this code useful in your research, please consider citing our work: @InProceedings{Point-GNN, ...