pointcnn pointweb pointconv randla 阅读（二）

最新推荐文章于 2024-06-17 11:09:28 发布
最新推荐文章于 2024-06-17 11:09:28 发布
阅读量131 收藏
点赞数
文章标签： 算法 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Chenyixun2/article/details/128355541
版权

pointweb

不同于DGCNN，本文章考虑所有的局部邻域内的两点之间的关系

对于FPS采样和KNN得出的邻域内点集合F，其中的每个点都看作Fi

本身特征加邻域内的特征

 其中fimp是MLP得出得Fj对Fi的影响（Fj为邻域内所有点）

其中后面作者进行消融实验，发现fimp使用减法效果最好 g函数是减法效果最好

用于计算Fj对Fi的影响量，而frel表示Fj与Fi的关系

 总式变为

下面是使用AFA模块的网络结构图 

可以看到，在进行完每个AFA模块的特征转化之后，邻域内每个点都包含其局部特征，再经过了一个共享MLP网络，调整通道数，最后经过最大池化，将邻域内所有点特征聚合到一个点上，最后合并原来采样点的坐标，得到最后的特征输出。

对于g函数也就是权重的选取函数，作者进行了消融实验。

对于选取两点之间的关系 

S3DIS数据集上miou 66.73 

官方陈奕迅
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
PointCNN.zip
07-30
PointCNN代码，基于tensorflow框架
PointCNN-master.zip
09-02
这是关于论文PointCNN的相关代码，具体内容值得学习一下
pointcnn pointweb pointconv randla 阅读（一）
Chenyixun2的博客
12-17 199
pointcnn
pointcnn pointweb pointconv randla 阅读（三）
Chenyixun2的博客
01-04 117
pointconv
【论文笔记】PointWeb: Enhancing Local Neighborhood Features for Point Cloud Processing
goodgoodstudy___的博客
04-08 827
1. 摘要部分：本文的贡献+实验结果 本文的贡献 This paper presents PointWeb, a new approach to extract contextual features from local neighborhood in a point cloud. Unlike previous work, we densely connect each point with every other in a local neighborhood, aiming to specify
2019-cvpr-PointWeb
自动驾驶行业学习、交流
03-11 817
PointWeb: Enhancing Local Neighborhood Features for Point Cloud Processing cvpr 2019 Hengshuang Zhao 地址：https://github.com/hszhao/PointWeb 1、创新 针对之前的方法（PointNet、dgcnn的局部点云表达弱的问题，提出了一种考虑局部内所有点之间作用的module。 2、具体表现 主要就是提出一个Adaptive Feature Adjustment（AFA）模块：
TPAMI三维点云深度学习技术综述
3D视觉工坊
12-09 1291
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨单博来源丨笑傲算法江湖点击进入—>3D视觉工坊学习交流群国防科大 IEEE TPAMI 2020本文仅用于学术分享，如有侵权，请联系后台作删文处理部分参考https://zhuanlan.zhihu.com/p/1036403990 摘要点云学习（Point cloud learning）因其在计算机视觉、自动驾驶、机器人等领域的...
LiYangyan, 2018 PointCNN
09-16
cloud, thus we call it PointCNN. Experiments show that PointCNN achieves on par or better performance than state-of-the-art methods on multiple challenging benchmark datasets and tasks.
基于CNN的二分类识别
05-14
基于CNN的二分类识别，采用的是python+tensorflow框架，识别准确率和验证准确率均90%以上，非常好用。
PointCNN：PointCNN：X转换点上的卷积（NeurIPS 2018）
02-04
PointCNN：X变换点上的卷积由，步锐，孙明超，吴伟，辛欣han和。介绍PointCNN是用于从点云进行特征学习的简单通用框架，它刷新了点云处理中的五个基准记录（截至2018年1月23日），包括： ModelNet40的分类精度（ ...
视觉论文以及开源库
weixin_42674350的博客
05-24 2435
CVPR2019 全部论文汇总： https://github.com/extreme-assistant/cvpr2019 CVPR2019 论文解读 http://bbs.cvmart.net/topics/287/cvpr2019 1.Graph Attention Convolution for Point Cloud Segmentation 论文链接：https://engineeri...
【点云分割】简述对PointWeb的理解
weixin_48845174的博客
04-12 1062
最近看了很多大场景点云分割的论文，它们使用的都是RS采样的方法，随机采样导致最关键的一个问题就是采样的点比较多，而且会导致一些地方的点特征丢失的情况，今天给大家介绍一篇2019年CVPR的文章，PointWeb。自从PointNet开发出来，在点云分割上学习点与点之间的关系（邻域局部特征）成为了一个必然的研究方向， ...
三维点云语义分割的一些学习
weixin_43823175的博客
11-19 3894
文章目录毕业设计三维点云的一些学习补 *重新分析一下毕业设计的相关任务todo list时间规划（待定，还没想好）一些问题实验内容一些数据集一些可能用到的网站一些可能的工具语义分割的资源+代码 主要是2D自动驾驶点云处理文章（转自github）卢策吾 PointSIFTpointnet作者讲解及相关资源基于三维点云场景的语义及实例分割 牛津大学RandLA-Net作者杨波/胡庆拥二维语义分割的一些学习语义分割数据集语义分割中的深度学习技术三维（点云）语义分割概述以及方法总结11.8point_cloud_s
PointWeb:一种增强点云处理中局部邻域特征提取的方法
weixin_43823175的博客
01-07 3591
PointWeb:一种增强点云处理中局部邻域特征提取的方法 相关网站 pointweb：Enhancing Local Neighborhood Features for Point Cloud Processing 这是2019年发布在cvpr上的文章 论文地址 ：http://openaccess.thecvf.com/content_CVPR_2019/papers/Zhao_PointWeb_Enhancing_Local_Neighborhood_Features_for_Point_Cloud_
高精度减法
shallrelow的博客
06-13 1101
高精度减法
力扣416 分割等和子集 Java版本
m0_47066863的博客
06-14 453
然后就可以考虑用0-1背包的思路来解决这个问题，这里元素的值就是当前元素的价值和重量，背包的容量就是子集元素和的一半，最终需要确定这个背包里是否能够正好装进价值为子集和一半的时候。请你判断是否可以将这个数组分割成两个子集，使得两个子集的元素和相等。找出两个子集，让这两个子集的和相等可以转化思路为：找到一个子集，这个子集的和是子集中所有元素和的一半。解释：数组可以分割成 [1, 5, 5] 和 [11]。输入：nums = [1,5,11,5]输入：nums = [1,2,3,5]
力扣136. 只出现一次的数字
LNsupermali的博客
06-15 484
力扣136. 只出现一次的数字
Java高级编程技术与算法应用全解析
最新发布
沉浮yu大海的博客
06-17 152
哈希表是一种高效的数据结构，用于快速查找、插入和删除。示例代码：自定义哈希表/*** 构造函数，初始化哈希表*/i++) {V value;/*** 计算键的哈希值* @param key 键* @return 哈希值*//*** 插入键值对* @param key 键* @param value 值*/// 更新已有键的值return;// 插入新的键值对/*** 获取键对应的值* @param key 键。
深入理解指针（二）
黎相思的技术博客
06-13 1191
上面的代码虽然可以完成我们的需求,但是还是不够好,加入是1,2,3,4,5,6,7,8,9,10这样的数字呢?数组传参的时候,形参可以写成数组,也可以写成指针,数组传参的本质是传递的首元素的地址,所以形参即使写成数组的形式,本质上也是一个指针变量。数组首元素的地址和整个数组它们的地址是一样的,就说明它们的起始位置是一样的,那么arr和&arr的地址一样,本质上有啥区别呢?,这⾥的数组名表示整个数组,取出的是整个数组的地址(整个数组的地址和数组首元素的地址是有区别的)。
PointCNN优缺点
05-02
PointCNN是一种基于点云的深度学习模型，具有以下优点和缺点： 优点： 1. 对于点云数据的旋转、缩放和平移等变换具有很好的不变性，可以有效地提取点云数据的特征。 2. PointCNN采用局部特征和全局特征相结合的方法...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值