Pointnet++改进77：添加自研组合StripCGLU模块

最新推荐文章于 2025-04-09 17:07:45 发布
最新推荐文章于 2025-04-09 17:07:45 发布
阅读量91 收藏
点赞数
分类专栏： Pointnet++改进专栏 文章标签： python 深度学习 pytorch pointnet++
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/m0_51530640/article/details/146713178
版权

简介：
1.该教程提供大量的首发改进的方式，降低上手难度，多种结构改进，助力寻找创新点！
2.本篇文章对Pointnet++特征提取模块进行改进，加入StripCGLU，提升性能。
3.专栏持续更新，紧随最新的研究内容。

目录

1.理论介绍

2.修改步骤

2.1 步骤一

         2.2 步骤二

         2.3 步骤三

1.理论介绍

尽管遥感目标检测发展迅速，但检测高纵横比目标仍具挑战性。本文表明，大条带卷积是遥感目标检测的良好特征表示学习器，能够很好地检测各种纵横比的目标。基于大条带卷积，我们构建了一个名为 Strip R-CNN 的新网络架构，该架构简单、高效且强大。与近期利用方形大核卷积的遥感目标检测器不同，我们的 Strip R-CNN 利用骨干网络 StripNet 中的顺序正交大条带卷积来捕获空间信息。此外，我们通过解耦检测头并在我们的条带头中为

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Pointnet++改进76：添加Strip模块 | 顺序正交大条带卷积来捕获空间信息
AIcurator的博客
03-29 62
尽管遥感目标检测发展迅速，但检测高纵横比目标仍具挑战性。本文表明，大条带卷积是遥感目标检测的良好特征表示学习器，能够很好地检测各种纵横比的目标。基于大条带卷积，我们构建了一个名为 Strip R-CNN 的新网络架构，该架构简单、高效且强大。与近期利用方形大核卷积的遥感目标检测器不同，我们的 Strip R-CNN 利用骨干网络 StripNet 中的顺序正交大条带卷积来捕获空间信息。此外，我们通过解耦检测头并在我们的条带头中为定位分支配备条带卷积来提高遥感目标检测器的定位能力。
Pointnet++的改进
qq_27353621的博客
07-04 2841
Pointnet++改进
PointNet++改进1：双域混合结构用于多尺度感受
最新发布
m0_63654706的博客
04-09 243
##论文地址：https://zhuanlan.zhihu.com/p/720777160resl = xif i == 0:else:if i!
PointNet++改进策略 ：模块改进 | PAConv，位置自适应卷积提升精度
u012901740的博客
09-04 1804
PAConv，全称为位置自适应卷积（Position Adaptive Convolution），是一种用于处理3D点云数据的通用卷积操作。不同于传统的2D卷积，PAConv通过根据点在三维空间中的位置动态组合卷积核。它的实现依赖于一个称为权重库（Weight Bank）的结构，该结构存储了基本的权重矩阵。这些矩阵通过一个称为ScoreNet的网络动态组合，ScoreNet根据点的位置关系学习如何自适应地组装这些卷积核。动态卷积核组装。
PointNet++改进策略 ：模块改进 | x-Conv | PointCNN， 结合局部结构与全局排列提升模型性能
u012901740的博客
09-10 1913
这篇论文介绍了一种名为PointCNN的方法，旨在从点云（point cloud）数据中学习特征。传统卷积神经网络（CNN）在处理规则网格数据（如图像）时非常有效，但由于点云是无序且不规则的，直接在其上应用卷积操作会导致形状信息丢失，并对点的排列顺序敏感。为了解决这一问题，论文提出了一种X-Conv操作。该方法通过学习一种来重新排列点云中的点并加权输入特征。然后，将典型的卷积操作应用于转换后的特征。这种方法将传统的 CNN 扩展到点云特征学习，并命名为PointCNN。
Pointnet++改进：在特征提取模块加入SegNext_Attention注意力机制，卷积注意力打造高性能点云分割模型
AIcurator的博客
01-04 1899
我们提出了SegNeXt，一个用于语义分割的简单卷积网络架构。近年来，基于变换的语义分割模型由于其在空间信息编码中的自注意性而在语义分割领域占据主导地位。在本文中，我们证明了卷积注意是一种比自注意机制更有效的编码上下文信息的方法。通过重新研究成功的分割模型所具有的特征，我们发现了导致分割模型性能提高的几个关键因素。这促使我们设计一种新颖的卷积注意力网络，使用廉价的卷积运算。
PointNet++改进策略 ：模块改进 | PointCAT， 使用交叉注意力机制来提升3D点云任务中提升模型精度
u012901740的博客
09-13 1878
PointCATCross 的核心在于通过多尺度特征提取和跨注意力机制来融合不同分辨率下的几何信息。跨注意力机制能够在全局和局部特征之间建立联系，从而提升模型对复杂三维点云结构的理解能力。借鉴以上思路，可以进行如下改进来增强PointNet++ 对点云多尺度特征、全局信息以及复杂几何关系的捕捉能力，进一步提升了其在点云分类和分割任务中的表现。引入跨尺度注意力机制：利用 PointCATCross 的跨注意力模块，实现多尺度特征的相互交互和增强。引入分类 Token 和多层级特征交互。
「论文阅读」SSA+PointNet++：该网络基于PointNet++改进
小麋鹿跑了的博客
02-13 5990
语义分割网络部分 主要由下采样，上采样和全连接部分组成；每个下采样部分都包含数据采样层、局部空间注意力层和注意力池化层；上采样层采用插值的方式进行原点映射。 分类网络部分 作者引入注意力机制来增强网络模型从稀疏采样点邻域中获得该邻域显著性结构（特征）的学习能力。 空间注意力机制： 采样点中心自注意力机制： 对采样点中心点（关键点）与他的每个邻居点的空间位置的编码向量做了注意力得分的计算； 每个邻域点与中心点的相对空间位置编码方式如下（借鉴了RandLA-Net）： MLP后.
【三维深度学习】PointNet++（三）：多尺度分组MSG详解
叶子的博客
05-07 8026
三维目标分类 — PointNet++多尺度分组MSG详解（三），详细介绍PointNet++，含数据、代码和原理直观解析。 ​上 一节详细介绍了PointNet++点云分类。PointNet++通过SA模块对原始点云进行采样分组，如果只是采用单一半径尺度和固定采样点数，那么分组内的点云会受点云密度的影响。如果点云过于稀疏，那么小半径尺寸无法将稀疏的点云进行分组，从而无法提取到稀疏点云的特征。在单一尺度分组的PointNet++结构中，第一层的SA分组半径最小，后续SA层都是基...
PointNet++改进策略 ：模块改进 | 双边增强模块 | 自适应融合模块 | ，将多分辨率特征在点级别自适应地融合，确保模型能够充分利用不同分辨率下的特征信息
u012901740的博客
09-18 1354
这篇论文的标题是《Semantic Segmentation for Real Point Cloud Scenes via Bilateral Augmentation and Adaptive Fusion》（通过双边增强和自适应融合进行真实点云场景的语义分割）。文章的核心内容是在处理大规模点云数据的语义分割任务上提出了一个新的网络架构。双边增强（Bilateral Augmentation）：为了减少点云中相邻点之间的歧义，提出了一种双边增强方法，通过几何和语义特征的结合，来扩展点的局部上下文信息。
【论文阅读】【点云处理】pointnet++的改进
麒麒哈尔的博客
02-07 6869
文章目录PATs & GSA PATs & GSA 论文：Modeling Point Clouds with Self-Attention and Gumbel Subset Sampling 2019CVPR，上海交大MoE实验室和华为诺亚方舟实验室 本文主要改进了PointNet++中的FPS的部分，使得选取的点更能处理外点，将down sampling的点选取在attent...
PointNet++改进策略 ：模块改进 | Residual MLP | PointMLP，简化原本复杂的局部几何特征提取器，减少计算同时提高效率
u012901740的博客
09-17 1550
这篇论文题为《Rethinking Network Design and Local Geometry in Point Cloud: A Simple Residual MLP Framework》，发表于ICLR 2022。论文的主要内容是提出了一种名为PointMLP的新方法，用于处理点云数据，旨在通过简单的残差多层感知器（Residual MLP）网络替代复杂的几何特征提取器。背景与挑战：点云分析由于数据的不规则性和无序性，一直是计算机视觉中的难题。
PointNet++改进策略 ：模块改进 | PointNetXt ，利用训练测量大幅提升PointNet模型性能
u012901740的博客
09-16 1556
这篇名为《PointNeXt: Revisiting PointNet++ with Improved Training and Scaling Strategies》的论文主要讨论了对经典的3D点云网络架构PointNet++进行的改进。作者提出了新的训练策略和模型扩展方法，旨在提高PointNet++的性能。改进训练策略：通过系统地研究数据增强和优化技术，作者发现很多新网络（如PointMLP和Point Transformer）性能提升主要是由于更好的训练策略而非架构上的创新。
PointNet++改进策略 ：模块改进 | OA-CNNs | ， 全自适应3D稀疏卷积神经网络（OA-CNNs），超越基于Transformer的模型，同时显著降低计算和内存成本
u012901740的博客
10-01 1571
这篇论文主要研究了3D语义分割领域中的一种新型稀疏卷积神经网络（CNN），称为全自适应3D稀疏CNN（Omni-Adaptive 3D Sparse CNNs，简称OA-CNNs）。研究的重点是提升传统稀疏CNN的性能，使其在精确度和计算效率上都能与基于Transformer的网络模型相媲美或超越。研究中指出，现有的稀疏CNN在3D语义分割任务上通常不如基于Transformer的模型，原因在于其缺乏足够的自适应性。
PointNet++改进策略 ：模块改进 | Transformer| Point Transformer， 使用Transformer架构引入到3D点云任务中提升模型精度
u012901740的博客
09-12 2209
提出了Point Transformer层：基于自注意力机制，设计了适用于3D点云处理的自注意力层。由于点云本质上是嵌入到3D空间中的点集，自注意力机制在这种情况下很自然地适用。该层对点的排列顺序不敏感，适用于3D点云数据。用于多种3D理解任务：作者通过Point Transformer网络，处理语义场景分割、物体部分分割和物体分类等任务，展示了模型在不同领域的广泛适用性。实验表明，Point Transformer在多个基准数据集上取得了最新的最佳性能。实验结果。
Pointnet++改进69：添加SFHF模块|双域混合结构用于多尺度感受
AIcurator的博客
11-16 360
自然图像可能遭受各种退化现象ena由于不利的大气条件或独特的退化机制。这种多样性使得设计一种通用的方法具有挑战性各种恢复任务的框架。现有的图像恢复方法没有探索不同退化现象之间的共性，而是侧重于对网络结构的修改有限的恢复经验。在这项工作中，我们首先从频率的角度回顾了各种退化现象。基于此，我们提出了一种高效的图像恢复框架SFHformer，它将快速傅立叶变换机制集成到Trans前架构中。具体而言，我们设计了一种双域混合结构用于多尺度感受场模，其中空间域为主，频率域侧重于局部建模和全局建模分别建模。
Pointnet++改进72：添加HFERB模块|高频增强残差块
AIcurator的博客
02-09 294
基于 Transformer 的方法在单图像超分辨率（SISR）中展现出了显著的潜力，能够有效地提取长程依赖关系。然而，目前该领域的大多数研究都侧重于设计 Transformer 块以捕获全局信息，却忽视了融合高频先验的重要性，我们认为这可能会带来益处。在我们的研究中，我们进行了一系列实验，发现 Transformer 结构更擅长捕获低频信息，但在构建高频表示方面，与卷积结构相比能力有限。
Pointnet++改进即插即用系列：全网首发DBB多元分支块 |即插即用，提升特征提取模块性能
AIcurator的博客
03-06 454
我们提出了一种通用的卷积神经网络(ConvNet)构建块，在不需要任何推理时间成本的情况下提高其性能。该块被命名为多元分支块(DBB)，通过组合不同规模和复杂度的分支来增强单个卷积的表示能力，从而丰富特征空间，包括卷积序列、多尺度卷积和平均池化。经过训练后，DBB可以等效地转换为单个转换层进行部署。与新颖的ConvNet体系结构的进步不同，DBB在保持宏观体系结构的同时使训练时间的微观结构复杂化，因此它可以用作任何体系结构的常规转换层的临时替代品。
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

AICurator

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