[论文阅读] RIU-Net: Embarrassingly simple semantic Segmentation of 3D lidar point cloud

最新推荐文章于 2024-08-23 14:13:44 发布
最新推荐文章于 2024-08-23 14:13:44 发布
阅读量164 收藏
点赞数
分类专栏： 激光点云语义分割 论文阅读 3D 文章标签： 论文阅读 深度学习 点云分割
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mingshili/article/details/128401855
版权
该博客介绍了如何利用Unet模型处理点云数据，特别是在2D任务中的应用。文章详细阐述了数据预处理，包括借鉴SqueezeSeg的方法并增加mask通道，以及网络结构的设计，特别是损失函数的使用。实验结果显示，模型能在单GPU上实现90帧每秒的运行速度。作者强调了Unet损失权重函数在边界点学习上的优势，为点云处理提供了新的思路。同时，文章引用了相关文献，为后续研究提供了参考。
摘要由CSDN通过智能技术生成

文章目录

paper 原论文的链接
code: 源代码链接

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

在这里插入图片描述
损失函数：
在这里插入图片描述

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

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TXCfygYi-1643718663471)(./figs/RIU-Net_result.png)]
RIU-Net_show

  • 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

mingshili
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
轻量级的肝脏与肝肿瘤 2.5D 分割网络阅读笔记
李响
04-29 1285
文章目录 1 前言 2 方法概述 2.1 InceptionV1-V3 and convolution conversion 2.2 Residual block 2.3 2.5D 网络 3 RIU-Net 的整体结构 4 实验和可视化 5 总结 1 前言 最近一直在读医学图像的论文，于是我打算写一个系列的阅读笔记，语言比较精简。在上一篇阅读笔记（https://zhuanlan.zhihu.com/p/505483978）中，分析了医学图像分割的混合 Transformer 网络：UTNet，在
论文笔记2.5D lightweight RIU-Net for automatic liver and tumor segmentation from CT
Stark_Z的博客
08-25 636
用于CT自动肝脏和肿瘤分割的2.5D轻量级RIU-Net
基于改进的RIU-LBP和SRM的高分辨率遥感影像分割
03-17
基于改进的RIU-LBP和SRM的高分辨率遥感影像分割
【今日CV 计算机视觉论文速览 第119期】Wed, 22 May 2019
TomRen
05-23 1145
第119期 视觉论文速览 人体纹理模型生成 图注意力点云处理 单图像深度估计
[论文阅读] LU-Net: An Efficient Network for 3D LiDAR Point Cloud Semantic Segmentation Based on E2E...
头狼博客
12-22 349
本文用UNet对前视图投影进行分割预测，但是本文主要的改进是添加了一个分支，这个分支是用过计算前视图的每个像素周围8个点与该像素点的关系，并且用MLP进行编码，然后在与instensity, range通道相加，再用MLP进行编码，得到N个通道，然后进行Unet卷积操作。
3D点云论文汇总-实时更新
WZZ18191171661的博客
03-20 7797
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation-CVPR2017-论文链接-tensorflow代码-pytorch代码 PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space-NIPS20...
CiT-Net：Convolutional Neural Networks Hand in Hand with Vision Transformersfor Medical Image Segmen
weixin_45622568的博客
10-10 333
CiT-Net：卷积神经网络与视觉变换器相结合用于医学图像分割 摘要：卷积神经网络（CNNs）和Transformer的混合架构在医学图像分割中非常流行。然而，它面临两个挑战。首先，虽然CNNs分支可以使用香草卷积来捕获局部图像特征，但它不能实现自适应特征学习。其次，尽管Transformer分支可以捕捉全局特征，但它忽略了通道和跨维自关注，导致复杂内容图像的分割精度较低。为了应对这些挑战，我们提出了一种新的卷积神经网络与视觉转换器（CiT-Net）的混合架构，用于医学图像分割。我们的网络有两个优势。
IJCAI 2023|CiT-Net: Convolutional Neural Networks Hand in Hand with Vision Transformers for Medical
qq_43660863的博客
12-02 1403
在本文中，我们提出了一种动态自适应CNN和跨维度融合Transformer并行结合的新架构CiT-Net用于医学图像分割领域，CiT-Net整合了CNN和Transformer中各自独特的优势，通过局部关系建模和长程依赖建模，对医学图像中的局部细节特征和全局语义特征得到了最大限度的保留。
自动驾驶点云处理文章（转自github）
m0_37870385的博客
05-17 2227
Lidar Point clound processing for Autonomous Driving A list of references on lidar point cloud processing for autonomous driving LiDAR Pointcloud Clustering/Semantic Segmentation Tasks : Road/Ground extraction, plane extraction, Semantic segmentation, open
la-vaca-que-riu:将奶牛引入限制公斤的卡车，试图获取尽可能多的牛奶
05-09
#FpInfor＃DawMp03Uf04＃编程拉瓦卡奎留一位商人在一个村庄里想要在城市开一家牛奶店。 他希望生意成功，这就是为什么他希望牛奶是新鲜自然的。 但是事实证明，他有点小气，因此，他决定每天将牛奶带到城市，而不是...
Infrared plasmonic refractive index-sensitive nanosensor based on electromagnetically induced transparency of waveguide resonator systems
02-11
计算结果显示，该等离子体纳米传感器的灵敏度为733纳米/RIU（折射率单位），半高宽（Full Width at Half Maximum，FWHM）为24.11纳米，品质因数（Figure of Merit，FOM）为695。这些性能指标表明，该传感器在灵敏度...
奥普特球状分布式对称无影光源RIU系列（OPT-RIU系列）.pdf
11-01
奥普特球状分布式对称无影光源RIU系列（OPT-RIU系列）pdf,奥普特球状分布式对称无影光源RIU系列（OPT-RIU系列）：采用特制漫射板将光散射到不同方向，形成渐变球状分布，使得整个球面目标不同坡度的反光强度都比较...
论文研究-基于硅基狭缝波导非对称耦合结构的光学传感器 .pdf
08-20
此外，研究还讨论了波导参数和器件参数对传感性能的影响，其中灵敏度达到了445nm/RIU（折射率单位），透射谱带宽则为6nm。灵敏度和带宽是衡量光学传感器性能的两个关键指标，高灵敏度意味着传感器可以检测到更微小的...
【论文阅读】GLiRA: Black-Box Membership Inference Attack via Knowledge Distillation
最新发布
Glass_Gun的博客
08-23 464
Membership inference attack，成员推理攻击。knowledge distillation，知识蒸馏。trustworthy AI，可信人工智能。
【论文阅读】APMSA: Adversarial Perturbation Against Model Stealing Attacks（2023）
Glass_Gun的博客
08-20 1080
换句话说，对于威胁模型隐私的模型窃取攻击，利用API查询公共数据的可接受次数(即通常较小)，并从MUA获取返回的预测，以构建用于训练替代/被盗模型的“传输数据集”，从而危及MUA的隐私并破坏其业务价值。值得注意的是，除了私下使用被盗模型进行进一步的免费查询外，被盗模型还可以用来制作可转移的对抗示例来欺骗MUA[12]，[13]。攻击者通过私有模型提供的付费查询服务(即MLaaS提供的API)，对查询的输入x获得预测y，在某些情况下，返回的预测通常是概率向量(即x属于特定类别的置信度)或标签(top-1)。
VIT论文阅读： A Image is Worth 16x16 Words
qq_19859865的博客
08-18 544
在2024年，大家都知道了transformer的故事，但是在4年前, CNN和Transformer谁才是CV的未来，还没有那么确定。在简介部分，作者提到了一个令人失望的事实，在基于imagenet的实验中发现，transformer的表现差于同尺寸的ResNet。作者把原因归结到bias translation equivariance and locality，这些CNN具有，但是transformer不具有的特性上。如下图【1】
[论文笔记] eval-big-refactor lm_eval 每两个任务使用一个gpu，并保证端口未被使用
心宝的博客
08-23 184
【代码】[论文笔记] lm_eval 每两个任务使用一个gpu，并保证端口未被使用。
【论文阅读】Retargeting and Respecializing GPU Workloads for Performance Portability
m0_46496993的博客
08-20 1092
GPU 硬件的演变CUDA 编程模型和语法随时间相对稳定，但底层 GPU 硬件已经显著发展，增加了许多新特性和指令。性能可移植性问题即使 CUDA 编写的 GPU 内核能够在更新的 NVIDIA GPU 上运行，它们也可能因为kernel尺寸与目标架构不匹配而无法达到类似的利用率。编译器机制的提出作者提出了一种基于编译器的机制，通过自动调整每个 GPU 线程的工作量以及内存和寄存器资源的使用量，来“调整”GPU 程序以适应特定架构。MLIR 编译器基础设施。
高阶模干涉双参数传感器实验：温度与折射率同时测量
"这篇文章是2012年发表在《天津理工大学学报》上的自然科学论文，作者包括陈松、杨秀峰、童峥嵘和曹晔。研究中提出了一种结合单模-多模-单模（SMS）结构与光纤布拉格光栅（FBG）的新型传感器，用于实现对温度和折射...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值