3维点云
文章平均质量分 83
3维点云的论文精读以及代码实现
COOLRANEN
这个作者很懒,什么都没留下…
展开
-
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。原创 2023-08-04 12:09:03 · 337 阅读 · 1 评论 -
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。原创 2023-07-13 15:57:23 · 323 阅读 · 1 评论 -
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。原创 2023-07-20 17:26:37 · 1101 阅读 · 0 评论