3D点云分割
文章平均质量分 66
Zongshun Wang的博客
课题方向为三维点云分割,会经常分享点云分割领域的一些顶会论文。同时也热爱嵌入式开发。欢迎各位UU们交流指导。
展开
-
三维点云中语义分割、实例分割、全景分割的区别与联系
它旨在对每个点同时进行语义标记和实例区分,包括区分“物体”(可数的独立实体)和“材质”(如道路、天空、草地等广泛分布且通常不可数的背景元素)。全景分割的目标是生成一个完整的、无缝的场景视图,每个点都具有明确的类别和实例信息。实例分割旨在进一步深入,不仅识别出每个点的类别,还要区分出不同的个体实例。而实现高效的全景分割通常需要结合先进的深度学习技术,处理和优化这些复杂的模型仍是当前研究的热点。语义分割只关注类别,实例分割进一步区分同类别中的不同个体,全景分割则是最全面的,既包括实例信息也包括材质类别。原创 2024-04-18 17:31:53 · 413 阅读 · 0 评论 -
【图神经网络】个人综述分享
随着计算机行业和互联网时代的不断发展与进步,图神经网络已经成为人工智能和大数据重要研究领域。图神经网络是对相邻节点间信息的传播和聚合的重要技术,可以有效地将深度学习的理念应用于非欧几里德空间的数据上。简述图计算、图数据库、知识图谱、图神经网络等图技术领域的相关研究历史,分类介绍不同类型的图结构。分析对比不同的图神经网络技术,重点从频域和空间与的信息聚合方式上分类比较不同的图卷积网络算法。原创 2023-06-19 17:35:21 · 327 阅读 · 0 评论 -
【三维点云分割】 adaptive_avg_pool2d解释示例
与传统的池化方法不同,自适应平均池化(Adaptive Average Pooling)能够根据输入的形状自动调整输出的形状。具体而言,它通过指定期望的输出特征图大小,自动计算需要做多少步采样,并对每个采样区域上的特征值取平均值作为输出的特征值。因此,adaptive_avg_pool2d可以方便地处理各种输入大小到同样大小的输出大小的问题。常规的池化操作如最大池化、平均池化等都是固定的池化核大小,这样会导致在不同输入大小的情况下,最终得到的特征图的大小也会不同。原创 2023-04-27 14:12:33 · 990 阅读 · 0 评论 -
【三维点云】Point Transformer核心代码详细注释(自学记录)
Point Transformer是一种基于注意力机制的点云处理方法。给定一个输入点云,Point Transformer将点云中每个点的位置信息和特征信息作为输入,然后通过一个带有多头注意力机制的Transformer模型来学习一个新的点云表示。通过 MLP 与位置编码引入了空间信息,并利用基于注意力机制的 Transformer 模型实现了关系学习任务,能够自适应地利用输入的局部点云信息学习全局特征表示。原创 2023-04-17 23:09:42 · 2427 阅读 · 1 评论 -
【三维点云笔记】点云数据增强中随机dropping color的作用、流程、代码实现。
在点云数据增强中,随机dropping color是一种常用的数据操作过程,它的目的是改变点云数据的颜色分布,从而增加模型的鲁棒性和泛化性能。随机dropping color可以使得数据增强后的点云数据更加具有随机性和多样性,可以增加模型的泛化性能,避免过拟合。通过随机去除部分点的颜色信息,可以使模型更加关注点云的几何结构而不是颜色信息,从而提高模型对噪声、变形和遮挡等情况的稳健性。通过随机去除颜色信息,可以使得点云数据的颜色分布更加复杂和多样化,能够帮助模型更好地应对现实场景中的各种颜色分布变化。原创 2023-04-17 11:45:49 · 307 阅读 · 0 评论 -
【三维点云分割】Contrastive Boundary Learning for Point Cloud Segmentation
点云分割是理解3D环境的基础。然而,目前的三维点云分割方法对场景边界的分割效果较差,影响了整体分割效果。本文主要研究场景边界的分割问题。因此,我们首先探讨在场景边界上评估分割性能的指标。为了解决在边界上的性能不理想的问题,我们提出了一种新的对比边界学习(CBL)框架用于点云分割。具体而言,提出的CBL通过在多个尺度上借助场景上下文对比点的表示,增强了跨边界点之间的特征区分。原创 2023-04-01 11:29:27 · 630 阅读 · 0 评论 -
Transformer 课程笔记
2018年10月,Google发出一篇论文《BERT: Pre-training of Deep Bidirectional Transformers forLanguage Understanding》,BERT模型横空出世,并横扫NLP领域11项任务的最佳成绩!论文地址:而在BERT中发挥重要作用的结构就是Transformer,之后又相继出现XLNET,roBERT等模型击败了BERT,但是他们的核心没有变,仍然是:Transformer.原创 2023-03-28 09:07:49 · 62 阅读 · 0 评论 -
[PointNet代码详解]PointNet各模块代码实现超详细注释
网络分成了分类网络和分割网络两个部分,大体思路类似,都是设计表征的过程分类网络设计global feature,分割网络设计point-wise feature两者都是为了让表征尽可能discriminative,也就是同类的能分到一类,不同类的距离能拉开。因此,该模型需要能够从附近的点捕获局部结构,以及局部结构之间的组合相互作用。例如,同时旋转和平移点不应该改变全局点云的类别,也不应该改变点的分割。它有三个主要的属性:与图像中的像素阵列或体素网格中的体素阵列不同,点云是一组没有特定顺序的点。原创 2023-03-27 10:51:41 · 688 阅读 · 1 评论 -
基于k折交叉验证理解S3DIS 6-fold
基于k折交叉验证理解S3DIS 6-fold原创 2022-09-23 16:57:01 · 1296 阅读 · 1 评论 -
Transformers in 3D Point Clouds A Survey(翻译)
2022年三维点云最新综述 针对transformer在三维点云中的应用总结翻译 2022-08-16 17:38:59 · 1775 阅读 · 0 评论 -
PointNeXt:个人阅读笔记(WZS的博客)
我们发现,性能提高的很大一部分是由于改进了培训策略,即数据扩充和优化技术,以及增加了模型大小,而非架构创新。原创 2022-08-13 10:30:46 · 1408 阅读 · 8 评论