1. 点云处理任务的普适方法 (Cloud Transformers: A Universal Approach To Point Cloud Processing Tasks) [ICCV, 2021] (arXiv) (Github) (GuoLab)

    • Transformer框架也被引入视觉处理任务，其性能优于传统的卷积神经网络
    • 探索了一种点云处理任务中通用的Cloud Transformer，有望实现激光雷达点云的智能化处理，以适用多种应用任务。
    • 应用于点云分割、分类等判别任务与点云补全、重建等生成任务。
    • 应用于点云分割、分类等判别任务与点云补全、重建等生成任务。

  2. 点云与图像融合的深度学习方法综述 (Deep Learning for Image and Point Cloud Fusion in Autonomous Driving: A Review) (arXiv) (zhihu)

    • 总结了基于图像和点云基于深度学习的数据融合方法，包括深度估计、目标检测、语义分割、目标分割、传感器在线标定等方面的应用。
  3. 清华&南开出品最新视觉注意力机制Attention综述 (w-link)
  4. 多模态遥感数据融合中的深度学习综述 (arxiv) (v1.pdf)
    Deep Learning in Multimodal Remote Sensing Data Fusion: A Comprehensive Review
    多模态遥感数据融合中的深度学习综述。随着遥感技术的飞速发展，大量具有相当复杂异质性的地球观测(EO)数据随处可见，为研究人员提供了以全新方式解决当前地球科学应用的机会。随着EO数据的联合利用，近年来关于多模态RS数据融合的研究取得了巨大进展，但由于缺乏全面分析和解释这些强异质性数据的能力，这些强大的传统算法不可避免地遇到性能瓶颈。因此，这种不可忽视的限制进一步引起了对具有强大处理能力的替代工具的强烈需求。深度学习(DL)作为一项前沿技术，由于其在数据表示和重建方面的令人印象深刻的能力，已经在许多计算机视觉任务中取得了显著的突破。当然，它已被成功地应用于多模态RS数据融合领域，与传统方法相比，产生了巨大的改进。本调查旨在介绍基于深度学习的多模态RS数据融合的系统概况。本文给出了关于这个主题的一些基本知识，进行了文献调查以分析该领域的趋势，在多模态RS数据融合中的一些流行的子领域，即空间谱、空时、光探测和测距-光学、合成孔径雷达-光学和RS-地球空间大数据融合等方面进行了回顾。收集并总结了一些有价值的资源，以促进多模态RS数据融合的发展。强调了面临的挑战和潜在的未来方向。