m0_62084259-CSDN博客

原创 las格式文件在cloud compare上不显示

因为viewpoint 配准问题导致读取的点云存在旋转问题。于是通过将pcd格式点云保存为las格式，然后再将las格式的点云保存为pcd格式来解决。（参考https://blog.csdn.net/guanxunmeng8928/article/details/112902484）在保存时修改为original scale （le-07, le-07, le-07）后，该文件便可以在cc上正常读取了。发现问题是在保存的时候选择默认的original scale (0，0，0)导致的。

2025-01-27 11:21:03 265

翻译论文翻译：PointNet++:DeepHierarchicalFeatureLearningonPointSetsinaMetricSpace

此前很少有研究在点集上进行深度学习。PointNet[20]是这一方向的先驱。然而，由于设计原因，PointNet无法捕捉由度量空间点所形成的局部结构，这限制了它识别细粒度模式的能力以及对复杂场景的泛化能力。在这项工作中，我们引入了一个分层神经网络，该网络在输入点集的嵌套分区上递归地应用PointNet。通过度量空间距离，我们的网络能够学习具有递增上下文尺度的局部特征。通过进一步观察，我们发现点集通常是在不同密度的数据上采样的。

2024-10-28 12:06:04 87

翻译论文翻译：PointNet Deep Learning on Point Sets for 3D Classification and Segmentation

点云是一种重要的几何数据结构。由于其数据结构的不规则，大多数研究人员将此类数据转换为规则结构的3D体素网格或图像集合。但是，这会使数据变得不必要地庞大并导致问题。在本文中，我们设计了一种直接使用点云的新型神经网络，它很好地保持了输入点的排列不变性。我们的网络名为PointNet，为从对象分类、区域分割到场景语义解析的应用程序提供了统一的架构。虽然简单，但PointNet非常高效。从实践上讲，它显示出与最先进的技术相当甚至更好的性能。

2024-10-28 11:49:18 107

原创 A review of point cloud segmentation for understanding 3D indoor scenes全文翻译

A review of point cloud segmentation for understanding 3D indoor scenes摘要点云分割是三维（3D）视觉和智能化中的一项基本任务。它是理解复杂3D场景的关键步骤。随着3D扫描设备的快速发展，点云数据对研究人员来说越来越容易获得。深度学习的最新进展正在推动点云分割研究及应用的进展。本文对用于理解3D室内场景的点云分割的最新进展进行了全面综述。首先，我们介绍了公共点云数据集，这是该领域研究的基础。其次，我们简要回顾了过去基于几何的分

2024-10-08 21:49:37 1175