- 博客(4)
- 收藏
- 关注
原创 基于法向量和密度的点云特征点提取
1]马聪聪,李松,曹菁菁,于蒙.基于法向量和密度的点云特征点提取问题研究[J].计算机应用与软件,2020,37(05):256-260+292.
2022-10-15 19:53:58 321 1
原创 [论文翻译]A Novel Local Geometry Capture in PointNet++ for 3D Classification(面向三维分类的pointnet++局部几何捕获方法)
Abstract目前,用于三维点集分类的深度学习模型很少依赖于模型捕获局部几何结构的能力。pointnet++模型在学习局部几何结构方面比它的前辈PointNet取得了显著的进步。它递归地在输入3D点集的嵌套分区上应用PointNet。PointNet++模型通过球查询局部邻域,从点中提取局部区域特征。然而,球查询在获取高曲率曲面或区域的局部邻域方面效果较差。在这篇文章中,我们展示了利用椭球在质心周围查询,在局部邻域中覆盖更多的点,改进了三维分类结果。我们扩展了椭球查询技术,将其定向到局部邻域的主轴方向,
2022-05-31 08:26:45 144
原创 [论文翻译]SDANet: spatial deep attention-based for point cloud classification and segmentation
SDANet: spatial deep attention-based for point cloud classification and segmentation(SDANet:基于空间深度注意力的点云分类与分割)SDANet: spatial deep attention-based for point cloud classification and segmentationAbstract以往的不足: 然而,这些方法大多没有考虑点云局部特征对最终决策的贡献以及邻接点之间的空间关系,这限制了
2022-05-22 08:15:43 484 1
原创 [论文翻译]CrossPoint: Self-Supervised Cross-Modal Contrastive Learning for 3D Point Cloud Understanding
原文地址:CrossPoint: Self-Supervised Cross-Modal Contrastive Learning for 3D Point Cloud UnderstandingAbstract点云结构不规则,对于不同任务(如三维目标分类、分割和检测)的大型点云数据,人工标注往往是非常困难的。自我监督不需要任何手工标注,是解决这个问题的好方法。受人眼能够从2D图像理解3D世界的启发,我们提出CrossPoint,一种跨模态的对比学习方法来学习可转换的3D点云表示。它能在不变空间中(in
2022-05-09 13:33:42 1124
空空如也
pcl八叉树模块提问
2023-04-25
TA创建的收藏夹 TA关注的收藏夹
TA关注的人