课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （下）

最新推荐文章于 2022-07-21 15:42:55 发布
最新推荐文章于 2022-07-21 15:42:55 发布
阅读量483 收藏 3
点赞数
分类专栏： 课程笔记 文章标签： 神经网络 网络 深度学习
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/Jason_____Wang/article/details/115339014
版权
本篇笔记聚焦于三维点云处理课程的第五章下部分内容，主要讨论深度学习在点云上的应用，特别是图卷积神经网络（GCN）和动态图卷积神经网络（DGCNN）。DGCNN通过动态构建图关系进行特征提取，区别于PointNet++的欧式距离方法，GCN则依据图的邻接关系进行卷积操作。此外，笔记还探讨了DGCNN与GCN的区别以及在分类和分割问题中的应用。
摘要由CSDN通过智能技术生成

课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （下）

本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记 课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！

本文主要为课程第五章的笔记！ 由于第五章开始进行深度学习领域知识讲解，因此不仅知识量陡增，课程量也加大，因此本章将分为上下两篇笔记进行记录。

课程链接：

三维点云处理——深蓝学院 正式内容: ####################################################
————————————————

GCN

在这里插入图片描述
本节课大纲：
主要讲图卷积神经网络 介绍其在点云上的应用 以及重点讲一篇文章：DGCNN
再由DGCNN 引申到能够用图表示的数据

DGCNN

在这里插入图片描述可以表达成图的数据： 社交网络、引用网络、分子式、点云、 三维面片等

事实上，所有用图表达的都可以用线连接，以此来表示节点关系
点云虽然没有直接用

最低0.47元/天 解锁文章
Jason_____Wang
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （上）
Jason_____Wang的博客
03-30 683
课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （上） 本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记 课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！ 本文主要为课程第五章的笔记！ 由于第五章开始进行深度学习领域知识讲解，因此不仅知识量陡增，课程量也加大，因此本章将分为上下两篇笔记进行记录。 课程链接： 三维点云处理——深蓝学院 正式内容: ##########################
三维点云学习（5）3-Deep learning for Point Cloud-PointNet++
weixin_41281151的博客
08-01 621
三维点云学习（5）3-Deep learning for Point Cloud-PointNet++ 强烈推荐 PointNet的深刻理解 PointNet++示意图 可分为 Encoder、 Segmentation、Classification三部分 Encoder PointNet++ 的核心部分在于 set abstraction step1：FPS 最远采样 step2: Grouping Radius Neighbos + random sampling 或者 KNN 确保每个簇里的点数相
Resourses on Deep Learning of Point Cloud
生命长跑
09-13 527
Index Paper Title Code Descriptions 1 A comprehens...
【综述翻译：第二章】Deep Learning for 3D Point Clouds: A Survey
冯子材的博客
02-03 4804
Deep Learning for 3D Point Clouds: A Survey为国防科技大学发布的综述文章，这里只翻译第二章。 下载链接：https://arxiv.org/abs/1912.12033； 仓库链接：https://github.com/QingyongHu/SoTA-Point-Cloud 2 3D形状分类 这些方法通常首先学习每个点的嵌入，然后使用聚合方法从整个点云中提...
(一) 三维点云课程---Voxel Grid Downsamping
qq_45369294的博客
10-23 899
三维点云课程—Voxel Grid Downsamping 1.选取点的方案 1.质心法：计算所有满足条件点的平均值，速度慢，但相对准确 2.随机法：从满足条件的点中随机选择一个点，速度块，但误差大 2.步骤 1.计算三维点集p1,p2,...,pN{p_1,p_2,...,p_N}p1​,p2​,...,pN​的最小和最大值 xmax⁡=max⁡(x1,x2,⋯ ,xN),xmin⁡=min⁡(x1,x2,⋯ ,xN),ymax⁡=⋯⋯ x_{\max }=\max \left(x_{1}, x_{2},
Qt开发-forecasting-based-on-deep-learning-笔记
最新发布
05-31
在本项目"Qt开发-forecasting-based-on-deep-learning-笔记"中，主要涉及的是使用Qt框架进行深度学习预测应用的开发。Qt是一个跨平台的C++图形用户界面应用程序开发框架，广泛应用于桌面、移动以及嵌入式系统。深度...
Deep-learning-in-cloud:深度学习云提供商列表
05-02
:cloud: :cloud: 云端深度学习 :cloud: :cloud: 曾经有笔记本电脑 :laptop: 它的功能不足以运行您的模型，忘记它并使用Cloud GPU :cloud: 训练您的模型更快，更便宜因为下雨了 :sweat_droplets: 云GPU 还要了解可以...
deeplearning-notes:吴恩达教授的深度学习专业课程笔记
05-29
深度学习专业课程笔记这是Coursera上提供的课程的笔记。 专业化页面介绍： 在五门课程中，您将学习深度学习的基础，了解如何构建神经网络，并学习如何领导成功的机器学习项目。 您将了解卷积网络，RNN，LSTM，Adam，...
deeplearning_ai_books：deeplearning.ai（吴恩达老师的深度学习课程笔记及资源）
02-12
Coursera深度学习教程中文笔记 课程概述 这些课程专为已有一定基础（基本的编程知识，熟悉Python ，对机器学习有基本了解），想要尝试进入人工智能领域的计算机专业人士准备。介绍显示：“深度学习是科技业最热门的...
deeplearning-ai-books-深度学习资源包
05-10
深度学习（Deep Learning，简称DL）是机器学习（Machine Learning，简称ML）的一个子集，也是人工智能（Artificial Intelligence，简称AI）领域的一个重要分支。它被引入机器学习，旨在使机器更接近于实现人工智能的...
PCL（Point Cloud Library）教程
07-25
PCL Point Cloud Library 教程 学习资料 对于学习PCL及点云处理非常有用
睿慕课三维点云处理课程作业代码
09-12
睿慕课三维点云处理课程作业代码。睿慕课三维点云处理课程作业代码。睿慕课三维点云处理课程作业代码。睿慕课三维点云处理课程作业代码。睿慕课三维点云处理课程作业代码。
[Point Cloud] PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation 论文解读
风中摇曳的小萝卜 的博客
09-24 510
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation (CVPR 2017) 需要解决的问题：设计了一种新的可以直接处理点云，并且与点云输入顺序无关的网络，该网络模型可以用于处理物体分类、场景分割和场景语义分析。 这个问题的难点：点云格式是不规则的格式，之前有方法尝试转化成体素或者图像来分析。 In...
(三) 三维点云课程---RANSAC结合最小二乘求解点云的地面
qq_45369294的博客
10-28 1337
三维点云课程—RANSAC结合最小二乘求解点云的地面 三维点云课程---RANSAC结合最小二乘求解点云的地面三维点云课程---RANSAC结合最小二乘求解点云的地面1.RANSAC的步骤2.RANCAC的代码分析2.1输入参数τ，N\tau，Nτ，N的分析2.2 平面模型的创建2.3统计内点的个数2.4最小二乘优化2.5提前终止RANSAC的迭代3.RANSAC完整代码**原始数据** ![在这里插入图片描述](https://img-blog.csdnimg.cn/d10228f8bf3d4c5c978
【学习笔记】深蓝学院-三维点云处理
麒麒哈尔的博客
07-09 6849
文章目录PCA & Kernel PCASuface Normal & Filters PCA & Kernel PCA Kernel PCA可以理解为，先通过非线性变换，将点云投影到高维空间中，然后在高维空间中做PCA。但这个非线性变换函数很难找，所以通过数学变换，改写，用核方法表示。使用常用的，多项式的核，高斯的核就可以实现Kernel PCA。 Suface Normal & Filters Surface Normal就是PCA中中最后一维的向量，将点云做PCA，最后
三维点云课程（六）——三维目标检测
HUASHUDEYANJING的博客
07-21 3271
长方体表示长宽高、中心点、朝向、类别思路先检测后分类。
三维点云学习（5）2-Deep learning for Point Cloud-PointNet
weixin_41281151的博客
07-30 649
三维点云学习（5）2-Deep learning for Point Cloud 三种使用深度学习处理三维点云的方法 VoxNet 问题： 现实自动驾驶场景中，volex grid 的分辨率需要构建很大，计算量巨大，并不具备扩展性 投影二维卷积法 PointNet 核心： share mlp +max pool 证明PointNet可以模拟任何的函数 PN的表达 PN的鲁棒性 Critical Points Set：useful points Upper Bound Shape: “u
三维点云处理(2)——PCA
weixin_44554973的博客
05-25 1304
Principle Component AnalysisPCAApplications:Physical intuitions:Spectral Theorem:Rayleigh Quotients:Summary:KPCAKernel:Summary PCA PCA is to find the dominant directions of the point cloud Applications: Dimensionality reduction Surface normal estimation C
激光点云处理的学习之路（深蓝学院）
yz9521的博客
01-17 937
一、配置环境 环境搭建 1. Ubuntu18.04 安装 Anaconda3 https://blog.csdn.net/qq_15192373/article/details/81091098 2. Ubuntu 18.04 Anaconda使用 https://blog.csdn.net/guolindonggld/article/details/82595473 3. Anaconda使用总结 https://www.jianshu.com/p/2f3be7781451 4. 【点云处...
PCL学习笔记：点云数据处理与过滤技术解析
在PCL中，处理点云数据通常包括新建对象、设置参数、输入输出数据等步骤。例如，要使用RadiusOutlierRemoval滤波器去除噪声点，首先创建该滤波器的对象，然后设置输入云数据、搜索半径和最小邻域点数，最后调用...
评论
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