- 博客(14)
- 收藏
- 关注
RSS订阅原创 《PluckerNet: Learn to Register 3D Line Reconstructions》论文阅读
PluckerNet: Learn to Register 3D Line Reconstructions摘要介绍摘要 在欧几里得空间中对齐两个部分重叠的3D线重建是具有挑战性的，因为我们需要同时解决线重建之间的对应关系和相对姿态。本文提出了一种基于神经网络的方法，它有三个依次相连的模块:(1)一个基于多层感知器(MLP)的网络，以线的Plucker线性表示为输入，提取有区别的线性特征和匹配性(每条线匹配的可能性有多大)，(2)一个最佳传输层，以两个视图的线性特征和匹配性为输入，估计一个2D联合概率矩
2021-04-11 22:08:49
333
原创 《PREDATOR: Registration of 3D Point Clouds with Low Overlap》论文阅读
《PREDATOR: Registration of 3D Point Clouds with Low Overlap》论文阅读摘要介绍摘要 我们介绍了“捕食者”，一种高度关注重叠区域的成对点云配准模型。不同于以往的工作，我们的模型是专门设计来处理（也）低重叠点云对。它的主要创新点是一个重叠注意块，用于两点云的潜在编码之间的早期信息交换。通过这种方式，随后将潜在表示解码为逐点特征取决于相应的其他点云，从而可以预测哪些点不仅显著，而且位于两个点云之间的重叠区域。关注于点的能力与显著提升配对性能相关：“捕
2021-04-04 22:44:34
2118
1
原创 《Categorical Depth Distribution Network for Monocular 3D Object Detection》论文阅读
CaDDN介绍摘要摘要单目3D目标检测是自动驾驶里面的关键问题，因为和典型的多源传感器系统相比它提供了一个简单的配置。单目3D检测的主要挑战在于准确地预测目标的深度，由于缺乏直接的距离测量，必须从目标和场景线索中推断出目标深度。许多方法尝试直接估计深度来辅助3D检测，但由于深度的不准确性能有限。我们提出的方法，分类深度分布式网络（CaDDN）对每一个像素使用了一个预测的分类深度的分布来将丰富的上下文特征信息投影到三维空间中适当的深度间隔.。...
2021-04-02 00:52:22
1313
原创 pointcloud_homework4
taskUse KITTI 3D object detection dataset, do the followings.Step 1. Remove the ground from the lidar points. Visualize ground as blue.• Any method you want – LSQ, Hough, RANSACStep 2. Clustering over the remaining points. Visualize the clusters with r
2020-05-09 13:49:49
788
4
原创 pointcloud_homework3
taskGenerate clustering dataset using sklearn• https://scikit-learn.org/stable/auto_examples/cluster/plot_cluster_comparison.htmlImplement your own version of• K-Means• GMM• Spectral Clustering...
2020-05-05 13:25:44
666
原创 pointcloud_homework2
taskfor one ???? × 3 point cloud from KITTI8-NN search for each point to the point cloudImplement 3 NN algorithmsNumpy brute-force searchscipy.spatial.KDTreeown kd-tree/octree in pythoncodes fr...
2020-04-28 23:25:41
453
原创 pointcloud_homework1
taskBuild dataseta. Download ModelNet40 datasetb. Select one point cloud from each categoryPerform PCA for the 40 objects, visualize it.Perform surface normal estimation for each point of each o...
2020-04-25 11:03:55
606
原创 在googlecolab使用open3d库时的open3d.visualization.draw_geometries()函数报错及解决方法
运行的代码如下：import open3dimport numpy as nppcd = open3d.geometry.PointCloud()np_points = np.random.rand(100,3)# From numpy to Open3Dpcd.points = open3d.utility.Vector3dVector(np_points)open3d.visual...
2020-04-22 15:21:27
6937
6
原创 PointAugment数据增广笔记
本笔记来源于深蓝学院点云系列公开课041.数据增广的介绍做数据的增强有三种方式。第一种即是用更多的sensor传感器取capture捕捉更多的数据，这种方法在一些大公司使用较多，缺点是花费较大，且需要人工去标记数据；另一种方法是使用GAN（生成式对抗网络），该方法较为复杂，生成的数据有时候可能和原数据有较大差异，可信度不是特别高；还有一种是数据增广的方法，相对来说较为简单，复用现有的一...
2020-04-12 17:34:14
2350
原创 点云配准网络pointnetLK解读笔记（上）
该笔记源于B站视频 点云PCL公众号分享之Pointnetlk解读—前半部分1.点云配准简介由于采集的点云的不完整、旋转错位、平移错位等，使得要得到完整的点云就需要对局部点云进行配准，为了得到被测物体的完整数据模型，需要确定一个合适的坐标系，将从各个视角得到的点集合并到统一的坐标系下形成一个完整的点云，然后就可以方便进行可视化操作，这就是点云数据的配准。点云配准一开始常用的方法是IC...
2020-04-04 17:15:03
6989
2
原创 RS-CNN网络笔记
笔记源于B站视频 中科院模式识别国家重点实验室在读博士生刘永成：深度学习在3D点云处理中的探索.motivation对于一张2D图像，如果把它的RGB信息去掉，只剩下gird网格，我们就无法识别它的信息，我们认为2D图像的核心信息是RGB。对于3D点云并不是这样，当我们把这些点的颜色或法向的属性去掉，仅保留坐标我们还是可以识别出来，我们认为3D点云的核心信息是点的空间分布。假如我...
2020-03-29 18:07:35
1489
原创 尝试在colab运行Point voxel CNN
附pvcnn在github的链接: https://github.com/mit-han-lab/pvcnn.下载代码后导入colab点击下载zip。点击新建笔记本。打开云端硬盘所在位置。点击新建，然后上传文件夹，将解压后的文件夹导入。下载好相关的第三方库以及设置好环境在之前新建的笔记本里点击左侧的文件，然后点击装载Google云端硬盘。点击链接到GOOGLE云端硬...
2020-03-26 14:17:05
573
原创 《三维深度学习中的point voxel cnn》笔记
《三维深度学习中的point voxel cnn》笔记设计高效的神经网络模型需要将硬件也考虑进来。一方面，一次内存的读取操作比一次算术运算慢接近20倍，另一方面随机访问比顺序访问慢许多，一个高效的网络则应避免内存读取以及随机访问。传统的方法会将输入的点云栅格化，将其转化成三维的格点，这个可以看成是二维像素的自然扩展，三维格点的每一个位置都是0或者1，代表这个位置是否被占用。转化后模型的设计可...
2020-03-26 10:54:12
911
原创 深蓝学院点云公开课《基于三维点云场景的语义及实例分割》（RandLA-Net、3D-BoNet）笔记
深蓝学院点云公开课《基于三维点云场景的语义及实例分割》笔记介绍之前的点云工作介绍大场景三维点云的语义分割方法RandLA-Net。1)目标大多数方法如pointnet,pointnet++,pointcnn等只是处理小范围（如4k个点的1m×1m blocks），少量方法课处理大场景，但它们依赖于耗时的预处理或昂贵的体素化的步骤，预处理的时候进行了切块，把本该连一起的点云切开...
2020-03-26 10:38:00
2141
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人