3d Point Clouds
PulseAugur coverage of 3d Point Clouds — every cluster mentioning 3d Point Clouds across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的神经网络方法从3D点云中提取铁轨
研究人员开发了一种新的方法，使用全卷积循环神经网络从3D点云中提取铁轨。该方法在合成数据上进行训练，保留了完整的空间分辨率，并提高了每像素的质量，以实现准确的铁轨提取。该过程包括将铁轨点栅格化，应用神经网络清理数据，然后使用形态学操作和光滑技术来精炼中心线。该方法最终将3D激光雷达信息转换为2D折线，从而能够以最少的人工干预提取铁轨顶部和轨道中心线。
-
G-PROBE框架通过窄视场增强3D点云定位
研究人员开发了G-PROBE，一种用于3D点云全局定位的新型框架，克服了受限或不对称视场带来的限制。这种无需学习的方法采用虚拟传感器分解和跨视场分支集成，即使在传感器输入狭窄的情况下也能实现鲁棒的地点识别。该系统集成了分数尺度不变的gamma-SGRT以减轻航向混叠，以及一个CG-GICP后端，该后端利用高确定性的共观测点来优化姿态估计，在各种激光雷达数据集和模态上均取得了优于现有方法的性能。
-
ReFine3D框架增强3D视觉语言模型适应性
研究人员开发了ReFine3D，一个用于微调3D视觉语言模型的新框架。该方法解决了在数据有限的情况下将这些模型适应新领域所面临的挑战，防止过拟合和灾难性遗忘。ReFine3D采用选择性层微调，并结合多视图一致性和文本多样性正则化技术。实验表明，ReFine3D在3D领域泛化基准测试中显著提高了泛化能力、迁移能力和少样本准确率。
-
新的机器学习框架实时分析人体姿势以进行人体工程学评估
研究人员开发了一种新颖的机器学习框架，用于实时分析人体姿势，专门针对人体工程学评估进行优化。该系统利用3D体积视频数据和点云分析来克服固定摄像机视角和遮挡的限制。通过在用户标记的实时骨骼标记姿势上训练个性化深度学习分类器，该框架为工作场所安全和健康监测提供了一种可扩展且实用的方法。
-
新框架可视化地下矿山3D点云中的岩石支护
研究人员开发了一个新框架，可自动可视化地下矿山3D点云中的岩石支护。该系统将识别锚杆和绘制不连续面等多个任务整合到一个工作流程中。可视化有助于评估锚杆与周围岩石结构之间的几何关系，提供一种无需手动测量的实用的岩土工程评估方法。
-
新的“球体点云”方法增强了3D视觉定位的隐私性
研究人员开发了一种新颖的、使用“球体点云”表示的隐私保护视觉定位技术。该方法通过将点转换为单位球体上的线来解决深度神经网络从3D点云重建私有地图的担忧。球体点云旨在阻止可能恢复场景几何的基于密度的攻击，同时还整合了来自飞行时间传感器的深度图以辅助相机姿态估计。
-
BIMStruct3D管道从3D扫描中自动生成建筑信息模型
研究人员开发了BIMStruct3D，一种从3D点云数据自动创建建筑信息模型（BIM）的新型管道。这种混合方法将基于学习的语义分割与几何重建相结合，以准确地建模结构组件。该系统还引入了vIoU，一种用于评估Scan-to-BIM重建的新指标，并发布了德国医院数据集（DeKH）以供研究之用。