PCL Semantic 资料收集

最新推荐文章于 2023-09-19 10:10:13 发布

kuizhao8951

最新推荐文章于 2023-09-19 10:10:13 发布

阅读量225

点赞数

分类专栏： Robot

本文链接：https://blog.csdn.net/kuizhao8951/article/details/104090433

版权

数据集:
1
2
pointnet内的处理好数据的下载

无序点云

最早直接输入点云数据进行特征学习的网络是在CVPR2017上提出的PointNet[42]。与其他架构不同，PointNet不使用卷积提取特征仅由全连接层组成。网络解决了点云无序性、几何旋转的问题，实验结果也表明其性能相当可观。
pointNet:
csdn1
csdn2
github
dataset

虽然是是突破性的进展，但尚有许多问题，比如对局部空间特征的感知较差。由 2D-CNN获取灵感，Qi等人又提出了PointNet++[43]，网络由 PointNet构成的特征提取块组成，并采用了MSG、 MRG以及特征传播改进网络架构，输入沿着多分辨率层次以逐渐变大的比例捕获特征。虽然在一些数据集上的结果提高不是很多，但是也提高了架构对于稀疏点的鲁棒性。
pointNet++
自PointNet++提出之后，针对直接输入点的研究大量涌现。由于PointNet对点云的顺序不予考虑，所以需要适配点云的变换一致性，空间复杂度较高。针对此问题，许多研究采用基于聚类和传统特征提取相关的算法改进PointNet的层次结构或者其T-Net结构，来降低近邻点搜索和组织的空间复杂度。直接输入无序点云的方法虽然省去了组织和排序所带来的时间成本，但仍需要消除顺序的影响后，并且不考虑顺序可能造成潜在特征信息的丢失，因此也产生了对点云组织的点方法的研究。

有序点云

而针对分割任务并不受点云顺序影响的观点，Landrieu和Simonovsky提出了一种基于图的方法很好地反驳了这点，网络采用了一种称为超点图（Superpoint Graphs，SPG）[48]的新型数据结构中。该结构包含一组称为超级点（Superpoint）的形状单元，其灵感来源于超像素点（Super Pixel）[49]。文章认为，通过将数据组织为SPG，并使用边缘条件卷积[50]有助于分类和分割。网络不仅在小型模型分割上表现良好，在大规模场景分割上也毫不逊色。最近，CVPR2019的一篇匿名论文[51]提出了一种采用图注意力卷积（Graph Attention Convolution， GAC）的方法。

在这里插入图片描述 pointCNN