解决编译opencv3.2.0时出现的网络连接错误 在编译opencv3.2.0 + opencv_contrib3.2.0时，会出现如vgg_generated_48.i等因为网络而下载失败的情况，这里可以在cmake时指定网络镜像解决以上问题。
(NIPS 21) CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration
(CVPR 18) FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation FoldingNet[1]提出了一种点云自编码器结构，属于自监督学习的范畴，可以将输入点云投影（即特征降维）至具有丰富语义信息的高维空间中，形成高维特征向量（文中用“codeword”指代），即编码过程。接着通过解码网络将高维特征向量恢复得到高维度的输入点云。如下图所示，对于input输入点云，首先经过特征编码形成codeword（不是图中的2D grid），接着进行两次folding操作，恢复得到与输入点云相似的输出点云：What is Folding Operation？作者在文中指出，从直觉.
(TOG 19) DGCNN: Dynamic Graph CNN for Learning on Point Clouds DGCNN[1]主要提出了EdgeConv操作，在点云上能够进行类似CNN在图像上所进行的操作，可以适用于分类与分割任务。EdgeConvGraph Construction对于点云中某点 xi{x_i}xi ，利用KNN操作构造有向图G=(V,E)G = \left( {V,E} \right)G=(V,E)，其中VVV代表图中各个顶点，EEE代表边。如下图所示：Graph Convolution定义EdgeConv的核心操作为：可以看到，对于中心点xix_ixi与xjx_jxj，.
(NIPS 17) PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space PointNet++[1]作为PointNet[2]的续作，着重于解决PointNet[2]没有能够很好的提取局部特征的问题，限制了其对细节图案（fine-grained patterns）的理解，无法泛化至其他复杂的任务场景。通过设计一种层级式（Hierarchical）的结构，对输入点云进行分块，重复使用PointNet[2]结构以增加对局部信息的获取能力。整体的网络架构如上图所示，流程相对简洁，对于输入点云，设计一种层级式架构进行特征提取。Hierarchical Point Set Feat.
(ICCV 19) Deep Closest Point: Learning Representations for Point Cloud Registration DCP可以算是小数据集ModelNet40上使用深度学习做配准的开山之作了，首先放一下整体模型架构图：总体来说，DCP模型主要由4个部分构成：1. 初始特征生成（Initial Feature Embedding）2. 注意力机制模块（Attention）3. 虚拟匹配对生成（Pointer Generation）4. SVD解位姿下面按照这几个模块的顺序依次进行分析：Initial Feature Embedding对于输入的X（source）与Y（target）点云，首先使用DGCN
(ICPR 20) DIP: Distinctive 3D local deep descriptors DIP[1]属于一种基于PointNet[2]网络的比较简洁的two-stage点云特征提取器，因此文章的重点并不在网络设计上面，而在输入数据local patches的准备上。因此生成正确的local patches以使用PointNet进行特征提取成为DIP的关键。Dataset Preparation按照DIP的格式要求，于作者提供的google drive中下载好3DMatch_train.zip与3DMatch_test.zip，解压后数据组织形式如下：├── 3DMatch_train.
python-pcl (on Windows) Installation Guide (Simplest Ever) python-pcl windows平台极简安装依旧是在基于conda环境管理下安装python-pcl， 操作平台为windows.Steps:1. 利用 conda 创建新环境>> conda create -n pcl python=3.6>> conda activate pcl>> pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple>> pip
(CVPR 20) D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features 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。
PCRNet: Point Cloud Registration Network using PointNet Encoding PCRNet算是在ModelNet40这种object-centric数据集上用deep-learning做配准最好入手的一篇文章了，整体架构涉及简洁明了，一句话描述就是简单粗暴，话不多说，直接上网络架构图：Work Flow:首先对输入source (N×3N \times 3N×3)与template (M×3M \times 3M×3)进行PointNet操作，即MLP + max-pooling后，分别得到描述各自点云的维度为1024的global feature vector：Φ(PS).
(CVPR 21) SpinNet: Learning a General Surface Descriptor for 3D Point Cloud Registration SpinNet核心优势：提取的点云表面特征具有旋转不变性(由标题便知)。泛化性能好：仅在3DMatch上训练，在ETH上提取特征评估得到的FMR相比其他方法更高。SpinNet核心构成：Spatial Point Transformer (这里的transformer要与NLP中的区分开…)1.1 Alignment with a Reference Axis1.2 Spherical Voxelization1.3 Transformation on the XY-Plane1.4.
关注
