1. 主要思想
通过什么方式,解决了什么问题
采用Unet这种2D任务中通用的模型,预测前视图投影的range-image点云数据。
2. 具体方法
说明怎么解决的,具体设计是什么, 有什么启发性思考(作者的创新点)
2.1 数据处理
和SqueezeSeg的处理一样,并且添加了一个mask通道,用于表示像素位置是否用点云投射。
2.2 网络结构
损失函数:
3. 实验支撑
记录一些关键实验的结论分析,具有启发性的实验和结论
- Finally, we advocate that the proposed model can operate with a frame-rate of 90 frames per second on a single GPU,
4. 总结启示
针对中心思想和实验结论的总结和扩展思考
扩展思考 : 也就是用自己已有的知识或者自己的“土话”,重新理解paper(费曼学习法的精髓-便于记忆和举一反三的应用)
- Unet损失权重函数的使用很值得学习; 也就是对于边界点的学习添加权重;
5. 相关文献
主要的比较贴近的文献,关键性文献