D3Feat论文笔记

最新推荐文章于 2024-06-17 09:44:14 发布
最新推荐文章于 2024-06-17 09:44:14 发布
阅读量996 收藏 3
点赞数
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/Xu_Claire/article/details/115857040
版权
D3Feat是CVPR 2020提出的一种全卷积网络，采用KPConv进行3D局部特征的检测与描述的联合学习。它在3DMatch和Kitti数据集上表现出色，对采样点数量有较好的鲁棒性。网络设计中包括一个与密度无关的关键点选择策略和半监督的检测损失函数。
摘要由CSDN通过智能技术生成

D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features CVPR 2020

author: Xuyang Bai, Zixin Luo, Lei Zhou, Hongbo Fu, Long Quan, Chiew-Lan Tai

paper: https://arxiv.org/abs/2003.03164

code: https://github.com/XuyangBai/D3Feat

目录

简介

贡献点

网络

整体网络结构

Feature Description（KPConv）

Keypoint Detection

联合学习detection && description（Loss的设计）

实验结果

简介

启发自D2-Net的联合学习框架，设计了一个全卷积的网络结构。其中卷积计算采用了KPConv，实现了检测和描述子的联合学习。

在3DMatch，Kitti上取得了更好的性能，虽然在ETH的一般性检测中不如PerfectMatch。 

并且借助检测子实现在少量点的情况下性能不会下降很多，对采样点数目具有一定的鲁棒性。

贡献点

基于KPConv设计了一个全卷积网络&#x

最低0.47元/天 解锁文章
JPy646
关注
D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features论文笔记
weixin_42812109的博客
04-08 486
一.四个问题 1.要解决什么问题？ 一个成功的点云配准通常依赖于通过有区分性的3D局部特征建立鲁棒的稀疏匹配。尽管基于学习的三维特征描述子发展迅速，但三维特征检测器却很少受到关注，更没有考虑到这两个任务的联合学习。 2.用什么方法解决？ 点云配准的目的是寻找两个具有重叠(overlap)点云直接最佳变换，这是SLAM等应用的基本任务。而局部关键点的检测和描述是获得鲁棒点云对齐结果的两个关键。 对于关键点检测，随机选择一组点进行特征描述，是一个选择。这会带来以下几个问题: (1)随机选择的点可能位于非
D3Feat.pytorch：[PyTorch] CVPR'20口头论文的实现-D3Feat：密集检测的联合学习和3D局部特征的描述https：arxiv.orgabs2003.03164
01-28
D3Feat存储库 CVPR'2020口头论文PyTorch实施，由白旭阳，罗自新，周雷，傅洪波，龙泉和太极郎撰写。 Tensorflow也提供 。 本文重点关注联合特征的3D点云密集特征检测和描述。 如果您发现此项目有用，请引用： @article{bai2020d3feat, title={D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features}, author={Xuyang Bai, Zixin Luo, Lei Zhou, Hongbo Fu, Long Quan and Chiew-Lan Tai}, journal={arXiv:2003.03164 [cs.CV]}, year={2020} } 介绍 成功的点云注册通常取决于通过可区分的3D局部特征可靠地建立稀疏匹配。 尽管基于学习的3D特征描述符快速发展，但对3D特征检测器的学习却很少引起关注，对于两项任务的联合学习则更少。 在本文中，我们将3D全卷积网络用于3D点云，并提出一种新颖而实用的学习机
探索3D世界的新视角：D3Feat深度解析与应用推荐
最新发布
gitblog_00007的博客
06-17 427
探索3D世界的新视角：D3Feat深度解析与应用推荐 项目地址:https://gitcode.com/XuyangBai/D3Feat.pytorch 在三维点云处理的前沿阵地，一项名为D3Feat的技术如一颗璀璨星辰，照亮了物体识别与配准的路径。基于CVPR'2020的一篇优秀论文，D3Feat提出了一种新颖的联合学习框架，旨在密集地检测并描述3D空间中的局部特征。本文将深入剖析这一开源宝藏，...
D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features（2020）
u010260681的博客
08-07 886
本文主要目的是学习3d 点云的 detector & descriptor（之前的detector都是手工设计的，比如pointnet使用每个点，或者输入的是点云的小patch） 全文是在D2-net网络框架上的启发。 3. Joint Detection and Description Pipeline 受到D2-net的启发，本文尝试在3d上进行detector & descriptor （由于3d点云的密度不均匀性质+系数性，传统的基于path的并不好（容易在稀疏的...
[CVPR 2020] D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features
zhulf0804的博客
10-16 1906
零、概要 论文: D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features tag: CVPR 2020; keypoints, registration 代码: https://github.com/XuyangBai/D3Feat 作者: Xuyang Bai, Zixin Luo, Lei Zhou, Hongbo Fu, Long Quan, Chiew-Lan Tai 机构: Hong Kong
(CVPR 20) D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features
dloading7的博客
08-28 887
D3Feat核心优势： 1.D3Feat提供了一种联合框架，在学习描述子的同时进行关键点的检测，即最终用来做RANSAC配准的点不再是随机选取，而是选取网络学习出来的关键点。
CVPR'20口头论文- D3Feat的实现:Joint Learning of Dense Detection and Description of 3D Local Features https://arxiv.org/abs/2003.03164 - XuyangBai/D3Feat
01-27
D3Feat repository TensorFlow implementation of D3Feat for CVPR'2020 Oral paper , by Xuyang Bai, Zixin Luo, Lei Zhou, Hongbo Fu, Long Quan and Chiew-Lan Tai. This paper focus on dense feature detection...
D3D自学笔记（MountainAndWavesTex
11-04
【D3D自学笔记——基于“龙书11”的代码实践】 D3D，全称为Direct3D，是Microsoft开发的API，用于处理Windows平台上的3D图形渲染。"龙书11"指的是《DirectX 11图形编程之深入解析》（也被称为《Real-Time Rendering...
D3-ReferendumApp:JavaScript（D3.js）-学位论文应用之一
05-14
D3.js-公投数据 在我的项目中，我使用D3.JS库创建了两个基于Web的数据可视化应用程序。 在大学里，多年来，我一直主要专注于游戏编程，因此这个话题对我来说有点挑战。 在编程方面发现了不同的观点并获得了更大的...
【点云识别】D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features(CVPR 2020 Oral)
Orientliu96的博客
06-04 2339
D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features 本文介绍一篇cvpr2020里面关于点云matching的文章。 论文 代码 1. 问题 Point Cloud Matching。 前人的工作没有将点云的dectection和descriptors联合起来学习， 会导致detector 不能匹配上 descriptor的能力。 2. 思想 同时进行dectection and description
加载D3Feat关键点（Deep 3D Feature）
m0_55118017的博客
11-28 453
如果你已经随机选择了一些点作为关键点，并且这些关键点已经足够适用于你的任务，那么你可能不需要额外加载 D3Feat 关键点。随机选择关键点的方法在某些情况下可能足够，特别是如果你的任务对关键点的位置不太敏感或者随机选择的关键点能够很好地代表整体几何结构。D3Feat 或其他深度学习方法通常用于自动学习鲁棒的关键点表示，但如果随机选择的关键点对你的应用足够好，那么你可以继续使用这种方法。在某些情况下，随机选择的关键点可能不如使用深度学习方法提取的关键点具有鲁棒性，但这取决于具体的任务和数据。
ubuntu 22.04 cuda 11.8 安装d3feat环境
weixin_43512948的博客
03-31 484
点云 d3feat
探索3D空间的未来：D3Feat深度学习框架
gitblog_00016的博客
05-26 411
探索3D空间的未来：D3Feat深度学习框架 项目地址:https://gitcode.com/XuyangBai/D3Feat 项目简介 D3Feat是2020年CVPR口头报告论文“D3Feat：3D局部特征的密集检测和描述联合学习”的实现，由Xuyang Bai等人开发。这个项目的核心目标在于解决3D点云中密集特征检测与描述的问题，提供了一个基于TensorFlow的高效解决方案。如果你在处...
3DMatch数据集
热门推荐
zhulf0804的博客
11-28 1万+
关于 更多点云资源点击这里，包括250篇近几年的点云论文及数据集，包括点云配准、点云分割、点云检测、点云补全、无监督学习等方向。 下述3DMatch数据集的统计分析的代码均可在这里访问。 一、3DMatch数据集简介 3DMatch数据集收集了来自于62个场景的数据，其中54个场景的数据用于训练，8个场景的数据用于评估，其具体名称查看train.txt和test.txt。3DMatch数据常用于3D点云的关键点，特征描述子，点云配准等任务。 官方主页 | 3DMatch: Learning Local
论文解读 | 基于双分支特征交互的 3D 点云配准方法
旷视开发者技术社区
03-21 3512
此篇论文已被AAAI 2022 收录，论文链接请见“阅读原文”。3D 点云配准是匹配和叠加在不同时间、不同视角以及不同传感器下获取的两个或多个点云的过程，此技术被广泛应用于三维场景重建（3...
ASLFeat: Learning Local Features of Accurate Shape and Localization &&2020
phy12321的博客
05-10 1337
通讯作者：Long Quan 第一作者：Zixin Luo 研究机构：港科大，清华，快手 自己的想法： 论文解决的问题 论文提出的方法解决了局部特征检测器和描述子的两个局限性： 在密集特征提取过程中，往往忽略了特征点的局部形状（尺度、方向等）的估计能力，而形状感知是获得较强几何不变性的关键。 检测到的特征点的定位精度不足以可靠地恢复相机的几何结构，这已成为3D重建等任务的瓶颈。 现有方法的不足 & 本文贡献 现有方法的关键点定位精度和low-level的表达特性都没有得到足够的重视。 本文..
kaggle每日推荐-3.9:计算机视觉/图像处理每日论文速递
一直在路上
03-09 377
同步公众号(arXiv每日学术速递) [检测分类相关]： 【1】 Traffic Signs Detection and Recognition System using Deep Learning 基于深度学习的交通标志检测识别系统 作者： Pavly Salah Zaki, Magdy El-Moursy 链接：https://arxiv.org/abs/2003.03256 【2】 Auto...
D3Feat代码解读
10-11
D3Feat 是一篇 CVPR 2020 的论文，提出了一种基于三维深度特征的点云配准方法。其代码开源在 GitHub 上，可以供研究者参考和使用。 代码主要分为训练和测试两部分。训练部分包括数据预处理、模型定义、损失函数定义和训练循环。测试部分包括数据预处理、模型加载、点云配准和结果可视化。 该方法的核心思想是将点云转换为三维深度特征，然后通过匹配两个点云的特征来进行配准。这与传统的基于特征描述子的点云配准方法不同，具有更好的鲁棒性和准确性。 值得一提的是，D3Feat 不需要手动选择关键点或者进行采样，可以处理不同密度和不同形状的点云数据。
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