点云从入门到精通技术详解100篇-基于改进动态图卷积的点云分类模型(续)

最新推荐文章于 2024-09-02 17:34:18 发布
最新推荐文章于 2024-09-02 17:34:18 发布
阅读量572 收藏 14
点赞数 11
分类专栏： 点云从入门到精通技术详解100篇 文章标签： 分类 深度学习 人工智能
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/getusushu/article/details/135404873
版权
本文详细探讨了点云分类技术，介绍了边缘卷积和改进的动态图卷积，特别关注了位置关系加权动态图卷积的实现。通过构建PointNet和DGCNN网络结构，进一步提出位置关系自适应和密集连接自适应动态图卷积神经网络。实验涵盖了多种数据集和评价指标，分析了模型的性能、池化方式的影响以及稀疏点云的鲁棒性。通过TSNE降维和混淆矩阵可视化，对PADGCNN和LPADGCNN模型进行了深入的测试和分析。
摘要由CSDN通过智能技术生成

目录

3.4 边缘卷积

3.4.1 边缘卷积

3.5 改进动态图卷积

3.5.1 位置关系加权动态图卷积

3.5.2 位置关系表达方式

点云分类模型的构建

4.1 PointNet 网络结构

4.2 DGCNN 网络结构

4.3 位置关系自适应动态图卷积神经网络

4.4 密集连接自适应动态图卷积神经网络

4.5 数据集和评价指标

4.5.1 实验数据集

4.5.2 点云数据预处理

4.5.3 评价指标

4.6 实验环境及参数设置

4.6.1 实验环境

4.6.2 网络及参数设置

4.7 实验结果

模型测试分析及可视化

5.1 PADGCNN 模型测试与分析

5.1.1 模型性能分析

5.1.2 TSNE 降维处理及其可视化

5.1.3 池化方式影响

5.1.4 稀疏点云鲁棒性分析

5.2 LPADGCNN 模型测试与分析

5.2.1 模型性能分析

5.2.2 TSNE 降维处理及其可视化

5.2.3 稀疏点云鲁棒性分析

5.2.4 模型混淆矩阵可视化

本文篇幅较长，分为上下两篇，上篇详见 基于改进动态图卷积的点云分类模型

3.4 边缘卷积

虽然 PointNet 取得了巨大的成就，但在特
了解本专栏 订阅专栏 解锁全文
格图素书
关注
  • 11
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
点云从入门到精通技术详解100篇-基于改进动态图卷积的点云分类模型
getusushu的博客
01-09 1731
特征信息的损失，致使分类的准确率和鲁棒性不高。深度学习方法在图像领域的发展已较为成熟，但在三维点云数据上的应用相对不成熟。到的三维数据能够提供丰富的几何、形状和比例信息，为机器更好地了解周围的环境。集来表达物体信息，独立描述每个点的相关属性信息，点与点之间没有显式的联系。工的专业水平和经验，所适用的场景局限性较大，不具有良好的泛化能力和较高的准。这类直接处理点云的深度学习方法提取点云的全局特征过程中，忽视了点和点之间存。在的局部关系，不能有效的提取点云局部细粒的几何结构信息，在很大程度上导致了。
PointNet++点云分类t-SNE可视化以及混淆矩阵（1）（pytorch实现）
m0_65067774的博客
05-31 1345
pointnet++分类
PointNet++点云分类t-SNE可视化以及混淆矩阵（2）（pytorch实现）
m0_65067774的博客
05-31 616
PointNet++点云分类t-SNE可视化以及混淆矩阵
点云从入门到精通技术详解100篇-点云多尺度分类网络
getusushu的博客
09-05 294
3D 视觉技术中有两种最广泛使用的格式：RGB-D(Red-Green-Blue-Depth-Map, 度。点云可以由 RGB-D 图像转化，如果有已扫描的 RGB-D 图像和扫描相机的相关参数，即可以。点云实际上拥有置换不变性的特点，因此 PointNet 对于每一个 N×3 的点云输入，先通过。对于点云中的所有点，都有一个 1024 维的特征向量，此时对于每个点 1024 的特征向量是过。多的，此时使用最大池化，将 1024维所有通道上都只保留最大的那一个，这样得到的 1×1024。
点云从入门到精通技术详解100篇-橘子自动采摘机视觉识别（续）
getusushu的博客
10-15 241
在激 活函数的使用上，MobileNetV3在浅层网络中使用传统的ReLU函数作为激活 函数，在网络的更深层中使用速度更快，性能更好的h-swish激活函数，减少整体结构的运算量的同时提高了性能。为了使数据集能反应自然环境中柑橘 目标的真实特点，图像采集的柑橘样本选择的是浙江台州临海区涌泉镇生产的。同时间采用不同角度对不同的柑橘进行图像采集工作，总共拍摄了照片3000 多张，经过人工挑选去除特别模糊的照片，可以用来制作数据集有2566张图 片，得到自然复杂背景的柑橘果实照片，部分样本如图3-13所示。
点云从入门到精通技术详解100篇-基于点云与图像纹理的 道路识别
getusushu的博客
04-06 268
非结构化道路周围环境复杂多变，路面状况参差不齐，容易受到雨雪等极端天气的影响，并且树木、草地等背景也会导致道路识别不易。路面很不规则，等级较低，且没有明显的标志线，很难用一个或几个通用的模型来表示，方法，首先对图像进行分块处理，然后根据道路边缘颜色和灰度的均匀性和相似性特征，改革开放后，我国的汽车制造行业也蓬勃发展，根据官方数据显示，境污染、能源危机等，其中，交通事故的影响最为严峻。引起事故的因素多种多样，包。导致的遇难者数量，同时还能够挽回巨大的经济财产损失，这也是近年来自动驾驶车辆。
点云从入门到精通技术详解100篇-基于几何特征的三维点云配准
getusushu的博客
09-09 456
在现实生活中，二维图像无法描述三维模型的信息，满足不了人们的实际需要。因为二维检测系统所获取到的数据，一般只有平面信息，缺少了深度方面的信息。由 于三维点云数据比二维图像拥有更丰富的对象或场景信息，并且点云也能用更小的空 间来储存更简单的信息数据。所以人们的专注点逐渐转向了三维，与三维点云相关的 技术也因此应运而生、蓬勃发展。随着三维激光扫描技术的迅猛发展，出现了众多的 三维点云数据获取设备，如Kinect设备、激光雷达。三维点云配准技术在三维图像处 理技术中起到了至关重要的作用。
点云从入门到精通技术详解100篇-基于改进 Mask R-CNN 的地铁隧道点云图像渗水检测
getusushu的博客
10-10 261
2021 年，李子杰等人提出了一种基于 Mask R-CNN 的螺母表面缺陷分割方法。启发，基于 PointNet 提出的直接对于点云处理的新模型，它优化了 PointNet 在处。等人总结并全面地描述了从 R-CNN 到 Mask R-CNN 的过程及对比细节。Puad 等人利用 Open CV 能够通过计算机视觉检测的特点，进行手势识别，对手的不。许勇等人提出了一种基于 Mask R-CNN 的汉字笔画分割提取方法。随后的 1998 年，他的团队构建的 LeNet-5 让 CNN 开始得到广泛关注。
点云从入门到精通技术详解100篇-基于激光点云语义的环境感知（续）
getusushu的博客
12-26 893
解耦合的方式，让两个实验既具有一定的独立性，便于维护，又能共享数据集文件的读写；系统中激光雷达成本的另一种方法是使用较低价的激光雷达，虽然会损失一些精确度，但。相机的图像，计算图像间的视差，来预测每一个像素的深度。目标检测、语义分割和同步定位与建图，都可以利用精确的深度值，从而在这些领域中获。模态间的特征交互，晚期融合更关注各个模态内的特征交互，本文采用结合两者的混合融。块将卷积后的深层特征与原始的浅层特征融合，能够让网络学习残差信息，同时解决了随。辆、行人、骑自行车的人等，还有各种程度的遮挡与截断。
第T2周：彩色图片分类
最新发布
lihuhelihu的博客
09-02 728
过拟合（Overfitting） 是机器学习模型训练中常见的问题，指的是模型在训练数据上表现得非常好，但在验证或测试数据（未见过的数据）上的表现较差。这意味着模型过于复杂，以至于学习到了训练数据中的噪声或特定模式，而不是数据的通用特征，导致在新数据上泛化能力不足。经过上网查资料和多次训练，将epochs修改为20，结果不如意，甚至比epochs=10的结果更差，过拟合现象更突出，说明模型一定过拟合了。模型复杂度高：模型参数过多，层数过深，或神经元数量过多，导致模型能够记住训练集中的每一个细节和噪声。
深度学习100问27:什么是截断的BPTT
yyq916的博客
08-31 345
截断的 BPTT 呢，先确定一个合适的长度，就好比决定每一小段故事有多长。这种方法在很多地方都大显身手哦，比如自然语言处理里训练语言模型、搞机器翻译的时候，就像一个得力的小助手。想象一下，你有一个超级长的故事要讲，一口气从头讲到尾可太难啦，而且很容易把自己绕晕。这时候呢，截断的 BPTT 就像把这个长故事分成一小段一小段来讲。在循环神经网络训练那些长长的序列数据的时候，如果直接像个“愣头青”一样用传统方法，那计算量会大得吓人，还可能出现梯度消失或者爆炸的情况，就像烟花放一半突然熄火或者炸得不可收拾。
Slideflow：数字病理学中的深度学习与全切片可视化工具库｜文献精析·24-09-02
罗小罗同学的博客
09-02 1298
Slidefow是一个Python包，提供了一套深度学习工具库，这些工具库使用PyTorch和Tensorflow后端实现。它被开发用于为科学研究构建和部署深度学习组织病理学应用，提供端到端工具包，包括高效的数据处理、模型训练、评估、不确定性量化、可解释性以及在图形用户界面（GUI）中模型部署。Slidefow包含一个全切片用户界面，Slidefow Studio，用于实时生成全切片图像的预测和热力图。
深度学习基础—池化
sniper_fandc的博客
08-30 555
最大池化的直观理解就是区域内最大值可能就是我们想要提取的重要特征，比如边缘检测，通常边缘附近是数值变化较大的地方，比如由亮变暗，像素值由大变小，如果过滤器覆盖了边缘，就会找到像素值大的特征值提取出来，从而保留重要的边缘信息，减少不是边缘的冗余信息。假设输入的图片是4*4的灰度图片（二维，只有一个通道），过滤器选择2*2，步长选择2，这样的效果就是将4*4的图片分为4块，因此结果是2*2的图像。由于卷积运算的重叠性，很多计算的特征是冗余的，而池化就可以将较大且特征较弱的图转化为较小且特征较强的图。
深度学习100问24:什么是语言模型
yyq916的博客
08-30 625
原来呀，它悄悄地学习了好多好多的文本数据，就像读了无数本故事书一样。比如说，你给它一个句子的开头几个词，它就能像个聪明的小侦探一样，猜猜后面最有可能出现啥词。- 机器翻译：在翻译的世界里，它就像一个热心的小助手。帮助翻译系统更好地理解原文的意思，然后生成更通顺的目标语言文本。不管是搞笑的故事、严肃的论文，还是浪漫的诗歌，它都能应付得来，具有很强的通用性。能更好地理解你输入的查询意图，然后给你提供更准确的搜索结果。能理解你的问题，然后给出合理又好玩的回答。能生成超级自然的文本，就像真正的人写出来的一样。
深度学习100问22:什么是RNN训练过程中的反向传播算法
yyq916的博客
08-30 341
有了这些梯度，小朋友就知道该怎么调整自己的“思考方式”了（更新网络的权重和偏置）。比如，如果发现某个线索（参数）对错误的影响很大，那就多调整一下这个线索的用法。在这个过程中，小朋友会计算出每个步骤对最终错误的“贡献”有多大，也就是计算损失函数对每个参数的梯度。想象一下，RNN 就像是一个在学习猜谜语的小朋友。反向传播呢，就是这个小朋友发现自己猜错了之后，想办法找出自己哪里错了并且改正的过程。总的来说，反向传播就是 RNN 自我改进的一种方法，通过从错误中学习，不断调整自己，变得越来越厉害。
深度学习100问33:如何避免梯度消失
yyq916的博客
08-31 345
可以用一些聪明的自适应学习率优化算法，像 Adam、Adagrad 等，它们能根据模型的训练情况自动调整学习率，可贴心啦。像 Xavier 初始化和 He 初始化这些方法，可以根据网络的结构自动调整权重的初始值，让信号在网络里能更好地传播，就像给信号铺了一条顺畅的路。首先呢，选个好的“调味料”，也就是激活函数。当输入是正数的时候，它的梯度始终是 1，不会像有些传统激活函数那样，想象一下在一条长长的路上修一些小道，这样信号就可以直接从一层传到更深的层，不用经过好多层，就不会出现梯度慢慢消失的问题啦。
深度学习100问15:什么是交叉熵误差
yyq916的博客
08-30 823
真实的情况呢，就像是有个“标准答案”，知道红球出现的真正概率分布。而你的猜测呢，就是你给出的预测概率分布。要是差得远呢，交叉熵误差就大。对于不同的情况，比如有好几个类别要猜的时候，就用这个公式：。别被它吓到，其实就是把每个情况的真实概率和预测概率用一种特别的方式算一下差距，然后加起来。- 在分类问题里呀，交叉熵误差就像个严格的老师，它当损失函数，让模型不断学习，变得更聪明，好让预测结果更接近真实结果。- 如果模型猜错了，交叉熵误差会狠狠地“惩罚”它，这样模型就会赶紧改正，更快地学会正确的玩法。
最大池化、非线性激活、线性层
qq_58739767的博客
08-30 1528
神经网络相关方法
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

打赏作者

格图素书

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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