COOLRANEN-CSDN博客

原创 PICIE：在聚类中使用不变性和等方差的无监督语义分割

在联合聚类和学习的框架中加入这个限制有点棘手，因为标签是根据特征映射的聚类产生的伪标签，因此对于特征输入的转换很敏感。空间变化等方差意思为，对于放大的图像的同一物体的分割应该与原始图像的同一物体的分割应该是相似的。然后的操作类似于上面光度变化的操作，损失函数一部分来自于，每个视图与自己产生的标签进行交叉熵损失，另一部分损失来自于，两种不同的视角（view）下不同变化的交叉配对标签而产生的交叉熵损失。因为假设是光度不变的，所以在（11）中使用一组的特征向量来匹配另一组向量的聚类的簇的质心和类标签。

2023-10-11 15:04:24 385

原创 RandLA-Net——大规模点云的高效语义分割

RandLA-Net是基于point-wise MLP的方法。特点：之前的方法只要运用于小规模的点云语义分割，此方法可以运用在大规模点云的语义分割上面。创新点主要是：1、采取了随机点取样，而不是更复杂的点选择方法（比如pointnet++使用的是最远距离取样fps），可以使计算复杂度和内存效率变得显著。2.引入了一种新的局部特征聚合模块，逐步增加每个三维点的接受域，从而有效地保留几何细节。最后实验证明：RandLA-Net可以一次处理100万个点，比现有的方法快200倍。

2023-08-04 12:09:03 1273 1

原创 Pointnet++ 网络结构以及代码实现

pointnet++是在pointnet的基础上发展而来的，而pointnet对于局部结构的识别能力有所缺陷，从pointnet的网络我们也可以看出，pointnet（如图一）是对整体的特征进行了maxpooling操作，忽略了局部特征，而pointnet++采用了一个叫深度的层次特征学习模式以提高局部结构的识别能力。

2023-07-20 17:26:37 1638

原创 PointNet 网络结构

最近在学习点云，首先便是开山之作pointnetUnordered点云是无序的，点的排序不影响物体的性质，如下图所示：2.该模型需要能够从附近的点捕获局部结构，以及局部结构之间的组合相互作用3.旋转不变性，即一个点云数据旋转后仍然表达的是同一个物体这个在原文中主要采用的是一个T-net来实现T-Net网络是可以去学习点云的旋转从而给予校正，给后面的网络使用。

2023-07-13 15:57:23 826 1

原创 Resnet 50 代码复现

输入的通道数为64，在第一个layer层第一个bottleneck中使用一个1x1卷积将通道数由64变为256，与第一个bottleneck的输出通道数匹配，以便于残差相加，1x1卷积的stride=1，特征图尺寸不变。然后第二个layer层的第一个bottleneck中需要下采样，使用1x1卷积，其中stride=2，将尺寸减半，并将通道数加倍，从而可以与bottleneck的最后一个卷积层的通道数匹配，进行残差相加。每个layer层bottleneck的个数分别为3,4,6,3。以下为具体代码的实现。

2023-07-11 14:42:59 617

原创 vgg16的复现

1.通过2次[3,3]的卷积层，输出为[224,224,64],在经过最大池化层（卷积核为2x2，stride为2）特征图长宽尺寸减半输出为[112,112,64]4.通过3次[3,3]的卷积层，输出为[28,28,512],在经过最大池化层（卷积核为2x2，stride为2）特征图长宽尺寸减半输出为[14,14,512]5.通过3次[3,3]的卷积层，输出为[14,14,512],在经过最大池化层（卷积核为2x2，stride为2）特征图长宽尺寸减半输出为[7,7,512]具体细节还需要仔细研究原论文。

2023-06-29 12:44:16 516 1