点云深度学习系列五： RSNet：Recurrent Slice Networks for 3D Segmentation on Point Clouds

最新推荐文章于 2025-03-25 09:10:23 发布
置顶 最新推荐文章于 2025-03-25 09:10:23 发布
阅读量5.6k 收藏 19
点赞数 6
分类专栏： 点云深度学习 文章标签： RSNet 点云深度学习 Recurrent Slice Networks 3D Segmentation  Point Cloud
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/oliongs/article/details/82766300
版权

1. 整体框架

初始n*d的点云，首先经过输入特征提取块(3卷积层，每层64个1*1滤波器)，输出n*din大小的特征Fin；通过x、y、z三个方向的切片池化层将无序点云转换为有序序列；采用双向RNN处理序列，更新特征；采用切片上池化层映射回每个点；最后经过输出特征提取块(3个1*1卷积层，输出维度为512，256，K)，处理Fsu(切片上池化层的输出)，输出每个点的预测

2.局部依赖模块

Slice Pooling Layer

输入是无序的点云特征，输出是有序的特征向量序列。从x、y、z三个方向进行切片，通过超参数r控制切片的分辨率，N为切片数。Si代表每个切片集合。通过最大池化操作得到全局特征。

 

RNN Layer

利用RNN处理局部依赖建模的序列中，因为它们是一组为结构化序列而设计的端到端学习算法。它的输入是Fs，为了保证某一个切片可以影响到其它切片，采用双向RNN，输出是周边点影响的特征Fr。

Slice Unpooling Layer

利用之前保存的S集合的信息，将Fr反投影到每个点

3.总结

相比其他为了得到局部信息需要复杂计算的模型，RSNet简化了计算。整体思路比较简单，但效果很好。尤其灵活地将RNN运用到模型中。

 

原作者公开课：http://www.mooc.ai/open/course/501

原作者公开课稿件：https://baijiahao.baidu.com/sid=1605235762733551923&wfr=spider&for=pc

Recurrent Slice Networks for Point Cloud Segmentation
FqLibrary的博客
09-26 111
RSN通过切片生成和递归特征学习两个关键组件，将点云数据转化为二维图像，并利用卷积神经网络进行目标分割预测。本文将重点介绍一种称为"Recurrent Slice Networks (RSN)"的点云分割方法，该方法在准确性和效率方面取得了显著的成果。此外，我们还将RSN与传统的切片方法进行了比较，结果显示RSN能够更好地保留点云的几何信息，同时取得更高的分割精度。具体而言，RSN包含两个关键组件：切片生成模块和递归特征学习模块。对于每个切片，RSN根据点的三维坐标和法向量信息，生成对应的二维图像表示。
基于深度学习的点云识别
bug_api163的博客
09-27 264
总结起来，基于深度学习的点云识别是一个具有挑战性的任务，但通过合适的网络模型和适当的数据集，我们可以取得令人满意的结果。通过本文提供的源代码，您可以开始探索点云识别领域，并根据您的需求进行进一步的改进和调整。在点云识别任务中，我们的目标是从点云数据中识别出特定的物体或物体部分。首先，我们需要准备点云数据集，其中包含了我们感兴趣的物体的点云数据以及相应的标签。需要注意的是，这只是一个简单的示例，实际的点云识别任务可能需要更复杂的模型和更大的数据集来取得更好的性能。希望本文对您有所帮助！
推荐文章：RSNet——高效点云分割的利器
gitblog_00062的博客
06-26 496
推荐文章：RSNet——高效点云分割的利器 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 欢迎探索RSNet，这是一个在CVPR 2018上发表的强大且概念简洁的网络，专为3D点云分割任务设计。RSNet结合了递归神经网络和切片池化操作，实现了快速和内存效率高的3D点云处理。本项目提供了S3DIS数据集上的训练代码，并易于扩展到其他数据集。 项目技术分析 RSNet的...
【论文笔记】Recurrent Slice Networks for 3D Segmentation of Point Clouds
oohlala2018的博客
09-26 2361
Recurrent Slice Networks for 3D Segmentation of Point Clouds（CVPR2018,Spotlight） Qiangui Huang， Weiyue Wang， Ulrich Neumann University of Southern California 一、背景 由于点云数据是无序的和非结构化的，传统的CNN、RNN方法难以被拓展使用...
3D点云的深度学习网络分类（按照作用分类）
最新发布
qq_57082933的博客
03-25 1092
如果按照作用来分类，3D点云深度学习网络可以分为以下几类：
3D点云分割论文阅读(二)——Recurrent Slice Networks for 3D Segmentation of Point Clouds
m0_53498459的博客
12-23 478
3D点云分割论文阅读(二)——Recurrent Slice Networks for 3D Segmentation of Point Clouds 前言 论文原文链接为：https://arxiv.org/pdf/1802.04402.pdf 注：以下仅为个人想法，如有错误请批评指正。 一、目的 将无序、非结构化的点云转化为有序、结构化的点云，进而利用端到端的学习算法来解决局部上下文以来问题。 通过输入N3的点云，生成N1的物体类别标签，进而实现3D点云的语义分割功能。 二、方法 主要框架结构
Recurrent Slice Networks for 3D Segmentation of Point Clouds[CVPR2018]
cxy666
06-06 293
论文链接 作者提出了一种轻量级的局部依赖建模模块，利用slice pooling layer将无序的点特征集转换为有序的特征向量序列。 ​ 首先按照各个坐标轴将点云且为等距的块，把每个块内点的特征聚合为一个块的特征，用这个特征向量表示该块的全局信息。 ​ 不同块的特征按照按照坐标组成了一个有序的特征向量序列，通过RNN来建模序列中的依赖，这使得序列中的上下文相互影响。 ​ 最后将更新后的点的全局特征复制回每个点，在输出特征提取层使用三个1×11\ti
深度学习+点云
01-15
是关于深度学习和点云结合的论文，主要是点云哦 有兴趣的同学可以关注微信公众号“dianyunPCL”加入微信交流群一起交流学习
NIPS2018深度学习论文及代码集锦(3)
hestendelin的专栏
01-17 1145
[1]KDGAN: Knowledge Distillation with Generative Adversarial NetworksXiaojie Wang, R...
点云的深度学习
qq_45728381的博客
10-17 1265
点云深度学习是利用深度神经网络对点云数据进行处理和分析的一类技术，主要应用于三维物体识别、语义分割、配准、重建等任务。点云是一种稀疏且不规则的三维数据表示方法，通常由激光雷达、3D扫描仪或结构光等设备获取。与二维图像数据不同，点云的无序性和不规则性使得传统卷积神经网络（CNN）难以直接应用，因此在点云深度学习中需要特定的模型和处理方式。
点云算法（深度学习）
热门推荐
weixin_41965898的博客
08-29 2万+
点云与深度学习 ​
深度学习——3D点云
ROJS的博客
03-15 1383
体素化方法将点云转换为致密的三维体素模型， 并对其应用三维卷积，以模仿和复制卷积神经网络在平面图像分析上的成功．然而三维卷积的计算量过大，这限制了处理模型的分辨率，使得在数据转换过程中损失了大量的模型细节。此软体可显示及处理大量的非结构化网格，并提供编辑、清理、修复及查核等功能，可对模型进行。多视角图像渲染将三维数据渲染为多个视角下观察到的平面图像， 巧妙地解决了模型自遮挡的问题，但依然无法保证三维模型的全部细节不被遮挡，且计算量较大。它还可以处理三角形网格和校准图像。
深度学习3D点云分割综述.zip
01-27
这篇综述主要是对当前在3D点云应用上表现优异的深度学习方法进行调查研究。我们首先探讨将深度学习直接应用到点云上所面临的挑战，简短地讨论早期通过将点云预处理为结构化数据从而克服上述挑战的方法。然后会回顾各种表现优异的深度学习方法，这些方法可以直接将点云处理为非结构化的网格数据。最后，我们会介绍一些常用的3D点云基准数据集，进一步探讨深度学习在分类，分隔，目标检测等3D视觉任务中的应用。
点云数据在深度学习中使用
m0_65245193的博客
11-14 557
点云数据为点的信息集合，其中包括点的坐标，点的颜色，点的分类等信息其为一个2维的序列，（n，m）n个点，m个信息，牙齿的点云数据实例如下：该点云只有每个点在三维的坐标信息。shape为（2000，3）该点云数据的获得：读取stl文件，随机采样点数得到点云# 计算顶点法向量，模型看起来会更有对比# 展示stl文件# 随机采样，获取2000个点# 设置点云的颜色# 展示点云# 创建点云# 创建np数组，即点的坐标值# 坐标值传入点云。
点云深度学习系列：Sam2Point——基于提示的点云分割
qq625924821的博客
09-11 1628
据作者了解，其展示的SAM 在 3D 中最真实的实现，这可能作为未来快速 3D 分割研究的起点。通过将 3D 数据表示为多向视频，SAM2POINT 支持各种类型的提示（3D 点、框和掩码），并在各种 3D 场景（3D 对象、室内场景、室外环境和原始稀疏 LiDAR）中表现出强大的泛化能力。考虑到 2D 和 3D 之间的域差距，大多数现有工作将 3D 数据表示为其 2D 对应物作为 SAM 的输入，并将分割结果反向投影到 3D 空间，这种模式转换会带来显著的处理复杂性，从而阻碍高效实施；
『点云处理任务 』用PCL库 还是 深度学习模型？
weixin_45824067的博客
07-11 1072
选择合适的方法应考虑任务需求、数据特点和计算资源等因素、一般而言，深度学习方法在大规模数据、高级语义任务中表现更好，而PCL库方法则在简单场景、对几何特征敏感的任务中具有优势。深度学习方法在点云任务中能够利用机器学习的能力来学习和提取丰富的特征表示，对于复杂的数据模式和大规模数据集通常具有更优的性能。它通过自适应卷积的方式，对点云的局部结构进行感知和学习，并实现高效的点云表示。深度学习可以将点云数据中的每个点标记为不同的语义类别，如建筑物、道路、植被等，实现点云的语义分割。
基于深度学习的点云处理模型PointNet++学习记录
pengxiang1998的博客
09-30 2797
根据其论文中给出的介绍，Point++是用于点云分割与分类的深度学习模型，由下图可知，该模型主要分为三部分，分别是点空间特征提取、分割模型以及分类模块。其中，由一系列点集抽象层（）组成，而每一个。：Sampling layer的作用是从点云中选择很多个质点和围绕在这些质点的局部区域。作为输入，通过使用FPS算法（，最远点采样法）选出一系列点作为质点，与随机选取相比，这样可以更好的覆盖整个点集空间。
深度学习在三维点云处理与三维重建中的应用探索
数据与算法架构提升之路专栏
04-12 3622
本文深入探讨了点云数据处理的关键技术，包括数据清洗、降噪、简化、配准等预处理步骤，为后续的SLAM和语义分割任务奠定基础。特别地，文章详细介绍了PointNet和PointNet++这两个先进的深度学习算法，它们能够有效处理无序点云数据并提取特征。此外，还探讨了三维重建中的NeuralRecon系统，它采用多尺度方法和GRU网络来优化三维结构的生成。文章强调了这些技术的优点和面临的挑战，展望了在三维数据处理领域的未来发展。
点云深度学习系列博客(七): 针对点云的数据增强技术
06-19 4831
点云数据本身的数据规模存在极大的限制，目前主流的ModelNet40也就40个类别，就算组合了shapeNet，其数据量远远不能覆盖实际的样本空间，使得模型的泛化性收到了极大的限制。另外，由于点云属于三维数据，其表示形式自然要比文本和图像复杂，受到坐标系的限制会更大，对于姿态，尺度等更加敏感。这使得对于点云建立特征学习模型变得尤其困难。因此，面向点云的数据增强研究被提出。
评论 2
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