Ein neuartiges wahrscheinlichkeitsgesteuertes Framework (PDF) für die offene Welt-semantische Segmentierung von 3D-Punktwolken, das die Erkennung unbekannter Objekte und inkrementelles Lernen ermöglicht.
Wir präsentieren eine neuartige Methode zur Erkennung von Aktionen in 3D-Punktwolken, die sogenannte "t-Patches" als Schlüsselbaustein verwendet und eine hierarchische Architektur nutzt, um eine informative raum-zeitliche Darstellung zu lernen.
Eine neuartige Methode zur Normalenschätzung für 3D-Punktwolken, die aus zwei Phasen besteht: (a) Merkmalscodierung zum Erlernen von Darstellungen lokaler Patches und (b) Normalenschätzung, die die gelernten Darstellungen als Eingabe verwendet und den Normalenvektor regressiert. Die Methode verwendet Triplet-Lernen, um ähnliche und unterschiedliche Merkmale von Patches auf isotropen und anisotropen Oberflächen zu lernen, um die Normalenschätzung zu erleichtern.