3D点云论文相关论文资料总结

主要参考了InfiniTAM的文章： Very High Frame Rate Volumetric Integration of Depth Images on Mobile Device 系统概述 InfiniTAM的系统主要分为三个阶段： （1）跟踪阶段：用于新输入的图像进行定位，求得其对应的相机位姿等相关信息 （2）融合阶段：用于将新数据集成到现有的3D世界模型当中（主要是通过更新voxl...

3D分类 2017 PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation PAPER CODE

InfiniTAM v3 文章： 2011-KinectFusion: Real-Time Dense Surface Mapping and Tracking 2013-Real-Time 3D Reconstruction in Dynamic Scenes Using Point-Based Fusion 2013-Real-time 3D Reconstruction at Sca...

点击上方“3D视觉工坊”，选择“星标”干货第一时间送达Abstract：在点云深度学习中，主要包含的任务有：3D形状分类、3D目标检测和跟踪、3D点云分割。Introduction：3D数...

近年来，3D语义理解研究为直接从点云中提取特征提供了新的思路1,2，这就需要对点云进行有效的形状模式描述。受出色的2D形状特征描述子SIFT的启发3，我们设计了一个名为PointSIFT的模块，该模块对不同方向的信息进行编码，并适应形状的比例。具体而言，设计了一个方向编码单元来描述八个关键方向，并通过堆叠多个方向编码单元来实现多尺度表示。PointSIFT模块可以集成到各种基于PointNet的体系结构中，以提高表示能力。大量实验表明，我们基于PointSIFT的框架在标准基准数据集上优于最先进的方法。

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达扫描下方二维码，加入CVer学术星球，可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪，强烈推荐！3D点云微信技术交流群扫描下方CVer小助手的微信二维码或者微信号：CVer111，来添加好友（或者联系已经加好微信的CVer小助手）。一定要备注：3D点云+地区+学校/公司+姓名添加好...

点击上方“3D视觉工坊”，选择“星标”干货第一时间送达曲面法线是几何表面的重要属性，并且在诸如计算机图形应用的许多领域中被大量使用，应用在矫正光源产生的阴影和其他的视觉效果。给定几何表面...

数据集构成 分为训练集与测试集， 分别包含7481和7518张图片， 每张图片有对应的点云数据。 其中， 只有训练集的ground truth被公布。 Ground truth的格式为： 对应的涵义为： 特点： 同时有2D和3D的位置标注， 且都是有方向的。 根据遮挡与截断程度分为Easy、Medium、Hard三个级别。 由于数据量的原因， 只考虑汽车、人与自行车三个类别...

3D点云处理：双边滤波器&快速双边滤波器。

先说一点题外话 研究生三年，开始学了一年的图像检测，还没学明白，然后实验室都开始做点云，就转到点云方向做了两年，没什么大成就，因为感觉我学了两年时间刚刚入门，而且大多数的学习都是跑跑现成的代码，有一些结果就算有输出了，还没有真正的自己改的大网络或者写一整套代码，但是长期下来对这个方向也算是有点熟悉了。现在毕业了，没机会再做这个方向了，就按照自己了解的接触路线为一些刚接触的同学们介绍一下吧，说的也不一定都对，但是有空我就来整理补充一下。 背景 1.点云是什么？ 点云是一组三维点的集合。 2.深度学习是什么？

CVPR2020 3D点云相关论文整理3D目标检测1. A Hierarchical Graph Network for 3D Object Detection on Point Clouds1.1 创新1.2 实现细节1.3 实验结果3D点云分析（分类、分割）3D点云上采样1. Cascaded Refinement Network for Point Cloud Completion1.1 创新1.2 实现细节1.3 实验结果 3D目标检测 1. A Hierarchical Graph Network

24页3D点云综述，共计214篇参考文献，涵盖3D形状分类，3D目标检测和跟踪，3D点云分割方向和大数据集。

3D点云目标检测综述，从 pointnet到centernet，介绍各种深度学习点云检测算法

3D点云相比2D图片多出来深度这一元素，大大提高了定位空间目标位置的准确性，在机器人,自动驾驶,虚拟现实,遥感测绘等领域有着广泛的应用前景，是计算机视觉未来发展的必然方向，如何精准的识别各个物体在空间中的形状、位置、姿态，恢复和重建物体表面的三角化网格和纹理映射，实现物体在三维空间的检测、识别、追踪以及交互，仅仅依赖一副图像是无法做到的，借助不同相机组成的立体视觉系统，亦或由相机、雷达等多个传感器融合获取3D点云数据是比较常用的方法。 在此基础上，诸多研究者们提出了很多有效的方法和策略。 在点云的目标跟踪的

点云配准，求解两个(具有overlap的)点云P, Q之间的变换(旋转矩阵和平移向量)，使得点云P, Q的坐标处于同一坐标系下。点云配准在无人驾驶、三维重建等领域具有广泛的应用。 本文整理了点云配准相关的论文，既包括基于深度学习的点云配准算法，也包括部分传统配准算法(ICP, GoICP, FGR等)。 Deep Global Registration [CVPR 2020; PyTorch] 3DRegNet: A Deep Neural Network for 3D Point Registratio

3D点云点云分割、目标检测、分类 原标题Deep Learning for 3D Point Clouds: A Survey 作者Yulan Guo, Hanyun Wang, Qingyong Hu, Hao Liu, Li Liu, and Mohammed Bennamoun 原文参考链接：https://arxiv.org/abs/1912.12033 导读 3D点云学习（ Point Clouds）作为近年来的研究热点之一，受到了广泛关注，每年在各大会议上都有大量的相关文章发表。当前，点云上的深

文章目录摘要简介：2 背景2.1 数据集2.2 衡量指标3 3D形状分类3.1基于多视角的方法3.2基于体素的方法3.3 基于点的方法3.3.1逐点MLP网络3.3.2基于卷积的网络3.3.3基于图的网络3.3.4基于数据索引的方法3.3.5其他方法小结4 3D物体检测与跟踪4.1 3D物体检测4.1.1 基于候选区域的方法4.1.2 single-shot方法4.2 3D对象跟踪4.3 3D场景流估计4.4 小结：5 3D点云分割5.1 3D 语义分割5.1.1 基于投影的方法5.1.2 基于离散的方法5

在ROS系统基于点云和视觉图像数据融合构建3D点云场景