【点云识别】Unsupervised Learning of Intrinsic Structural Representation Points(CVPR 2020)

最新推荐文章于 2023-11-27 11:53:02 发布
最新推荐文章于 2023-11-27 11:53:02 发布
阅读量1k 收藏
点赞数
分类专栏： 点云识别
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/Orientliu96/article/details/106364158
版权

Unsupervised Learning of Intrinsic Structural Representation Points

本文介绍一篇cvpr2020里面无监督学习内在结构表征点的文章。
论文
代码

1. 问题

无监督学习内在结构表征点

2. 思想

在这里插入图片描述
用chamfer loss约束重建点云的质量，利用point integration module 来寻找 structure points.

3. 算法

在这里插入图片描述
给人感觉更像是key point detection,包装成structure point。但是事实上如果你将 structure point 的数目定为512，我觉得这就有些不太合理。

orientliu96
关注
专栏目录
《论文阅读22》APR: Online Distant Point Cloud Registration through Aggregated Point Cloud Reconstruction
darren_pty
09-02 281
我们的设计迫使编码器提取功能，丰富的本地几何信息的基础上，一个单一的输入点云。此外，解码器对单个点云的特征图进行解码，并导出重构的点云，该重构的点云与聚合点云（APC）进行比较，该聚合点云被定义为对应车辆的一系列点云帧对齐在一起。Qin等人，2022]，其中首先对下采样点云执行配准（即，超级点），然后级联到匹配的超级点周围的更密集的点云补丁上。例如，对于驾驶安全应用来说，采用严格的配准准则是极其关键的，例如，0.5°的旋转误差和0.5米的平移误差（对应于在50米内的所有位置处小于一米的最大平移误差）。
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
热门推荐
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
CVPR 2020——Unsupervised Learning of Intrinsic Structural Representation Points
Dujing2019的博客
06-07 1168
Unsupervised Learning of Intrinsic Structural Representation Points（一） Abstract（二） Introduction（三） Method 论文：https://arxiv.org/abs/2003.01661 源码：https://github.com/NolenChen/3DStructurePoints （一） Abstract 提出一种无监督方法，学习新的三维结构点的结构表示。 以3D点云作为输入，并将其编码为一组局部特征。然
Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds 笔记
Orientliu96的博客
04-07 1089
Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds 本文介绍一篇cvpr2020里面关于点云无监督识别的文章。 论文 代码 1. 问题 以无监督的方式来学习点云，而且在modelnet和scannetobject 数据集上达到了和有监督方式的一样的精度。 2...
【论文介绍】Feature-metric Registration: A Fast Semi-supervised Approach for Robust PointCloud
最新发布
CrissiApril的博客
11-27 564
在第n步特征提取后得到的点云P、Q的特征得到特征度量投影误差r，计算FP的雅可比矩阵J，将r和J带入方程（2）中计算出这一步骤的变换增量，进而得到下一步骤的变换参数，进而得到下一步的Q的初始点云状态，使Q逐步向P对准。其中，r(F(P)，F(RQ+t))=||F(P)−F(RQ+t)||2被称为特征度量投影误差，F(P)是点云P的特征，K是特征维数，F是编码器模块学习到的特征提取函数。其中，p∈A是单位面积中的一系列点，x为点云特征，φθi为MLP参数中的第i个分量，S*为原始输入的3D点。
triplet loss 图像检索_Pixel2Mesh：从单帧RGB图像生成三维网格模型
weixin_39630999的博客
11-23 315
Pixel2Mesh: Generating 3D Mesh Models from Single RGB ImagesPixel2Mesh[paper][code]一、Introduction从单一视角推断三维形状是人类视觉的一项基本功能，但对计算机视觉来说却是一项极具挑战性的工作。利用规则网格上的卷积层或多层感知，估计的三维形状作为神经网络的输出，可以表示为体积或点云。然而，这两种表示都会丢失...
CVPR2018下载+CVPR2018论文百度云+2018CVPR论文下载+2018CVPR百度云
王博（Kings）的博客
06-25 4925
链接：https://pan.baidu.com/s/1QUXtDp5RQVNx-R55TkL13Q 提取码：
（九：2020.08.27）CVPR 2019 追踪之论文纲要（译）
Jojo论文基地
08-28 8770
CVPR 2019 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这900篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录 论文 概要
（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）
Jojo论文基地
08-28 3211
CVPR 2017 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
（十：2020.08.28）CVPR 2018 追踪之论文纲要（译）
Jojo论文基地
08-28 7178
CVPR 2018 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这979篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
ChamferDistancePytorch:Pytorch 中的倒角距离与 f-score
05-29
pip install torch ninja Pytorch 倒角距离。 包括一个CUDA版本和一个带有 pytorch 标准操作的PYTHON版本。 注意：在这个仓库中，dist1 和 dist2 是点云欧氏距离的平方，因此您应该相应地调整阈值。 F - 分数 CUDA 版本 即时编译 支持多GPU 二维点云。 3D 点云。 5D 点云。 连续（）安全。 Python版本 支持任意维度 用法 import torch , chamfer3D . dist_chamfer_3D , fscore chamLoss = chamfer3D . dist_chamfer_3D . chamfer_3DDist () points1 = torch . rand ( 32 , 1000 , 3 ). cuda () points2 = torch . rand ( 32
CVPR2020在2月24日公布论文
qq_27403925的博客
06-02 854
CVPR2020在2月24日公布了所有接受论文ID，相关报道：1470篇！CVPR2020结果出炉，你中了吗？（附部分论文链接/开源代码/解读）。自论文ID公布以来，许多开发者都分享了自己的优秀工作。 从论文ID公布以来，极市一直在对CVPR进行实时跟进，本文是对CVPR2020论文整理和分类，均有论文链接，部分含开源代码，涵盖的方向有：目标检测、目标跟踪、图像分割、人脸识别、姿态估计、三维点云、视频分析、模型加速、GAN、OCR等方向。 为了方便大家阅读，小极已经将全部论文下载并打包。扫描下方二维码
【论文笔记】点云关键点检测和特征提取 USIP: Unsupervised Stable Interest Point Detection from 3D Point Clouds 2019 论文笔记
phy12321的博客
09-21 3837
新加坡国立大学 代码链接:https://github.com/lijx10/USIP 这是一篇通过无监督学习来进行点云关键点检测的文章. 整体的网络结构: 首先将输入的点云进行随机旋转平移变换，网络分别对两个点云进行关键点提取得到关键点QQQ，并对每个关键点的不确定度进行预测得到∑\sum∑。 损失函数 Probabilistic Chamfer Loss 作者希望网络能够学习点云中的稳定的关键点（repeatability），也就是说两个场景信息大部分重合的点云，即网络的两个输入，应该能够.
[CVPR2020最佳论文详细解读] Unsupervised Learning of Probably Symmetric Deformable 3D Object
g11d111的博客
06-26 8459
本文是基于CVPR2020最佳论文，来自牛津VGG组的吴尚哲学Unsup3D
点云深度学习系列博客(二): 点云配准网络PCRNet
05-20 5325
凡是对点云相关应用有些了解的同学，相信都接触过点云配准。配准相关的经典算法，包括ICP，NDT，FPFH，已被广泛应用于工业设计，定位，SLAM，自动驾驶等领域。尤其在SLAM和自动驾驶领域，随着家庭清扫机器人和电动汽车的普及，基于激光扫描技术的点云配准技术越发重要。可见点云配准及其相关研究的重要性。今天的点云深度学习系列博客为大家介绍一个用于点云配准深度网络：PCRNet [1]。
【论文笔记】点云配准网络 3D Local Features for Direct Pairwise Registration 2019
phy12321的博客
08-31 1133
慕尼黑工业大学, 西门子 ,国防科大 本文针对点云配准和点云相对位姿估计问题，提出了适应于该任务的局部描述子，以及在该描述子上进行相对位姿回归的网络，RelativeNet。 局部特征的学习根据2D图像的方法，应该先设计好用的局部描述子，或者使用网络学习。 然而，作者指出，现有的3D描述子无论是手工设计还是网络学习，都不能像2D描述子一样将领域内的边缘朝向等信息提取出来，因而并不适用于点云配准任务。 论文方法 大概思路 如上图，网络的输入是一个fragment pair包含的多个点云patches p.
Hinge Loss
FinnTheHuman的博客
03-28 946
Hinge Loss简介 Hinge Loss是一种目标函数（或者说损失函数）的名称，有的时候又叫做max-margin objective。其最著名的应用是作为SVM的目标函数。 其二分类情况下，公式如下：  l(y)=max(0,1−t⋅y) 其中，y是预测值（-1到1之间），t为目标值（±1）。 其含义为，y的值在-1到1之间就可以了，并不鼓励|y|
2D图像生成3D点云补充材料chamfer distance和EMD
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
06-04 2613
传自知乎大佬 Point Set Prediction Network 论文提出了全新的网络架构，一共分为三个阶段。 第一阶段：网络大致由一个编码器和一个解码器构成，编码器是由卷积层和ReLU构成。输入一张图片I和一个向量r，r用来模拟重建任务中的不确定性，输出的是一个Nx3的矩阵M。解码器中的全链接层用来生成点云的坐标。 第二阶段：为了更好的使模型作用在大而平滑的物体上，论文提出了改进版。因为每一个点都是被独立预测的，全链接层并不能很好的预测物体的几何结构，所以第二阶段的解码器由两部分组成，一个是全
unsupervised learning of strctured representations via closed-loop
09-16
封闭回路的无监督学习结构化表示 封闭回路的无监督学习结构化表示是一种机器学习方法，旨在通过建立闭环反馈以自动地学习数据之间的结构化表示。在无监督学习中，我们通常没有标签的辅助信息，因此要求模型能够从...
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