![](https://img-blog.csdnimg.cn/20190918140053667.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
点云处理
点云补齐,点云配准等
phy12321
2019年入学研究生在读
展开
-
【论文笔记】点云上采样网络 PU-GAN: a Point Cloud Upsampling Adversarial Network ICCV 2019
代码链接 : 链接论文介绍: 链接香港中文大学本文方法可以直接对激光雷达的scan数据进行上采样以及数据修正,得到的结果更加完整、均匀:本文在合成数据集以及真实数据集上进行了测试,在上采样点云的均匀性、靠近曲面性(生成的点云要更加接近表面)、三维重建质量三个方面超越了现有方法。相关工作现有点云上采样的方法有三种:1. 基于优化的方法这些方法都不是以数据为驱动的,它们严重依赖于先验知识,如光滑曲面的消耗、法向估计等2. 基于深度学习的方法点云上采样与点云补全(point comple.原创 2020-12-14 12:17:33 · 2663 阅读 · 1 评论 -
【论文笔记】基于点云投影的激光里程计: CNN for IMU Assisted Odometry Estimation using Velodyne LiDAR
论文将三维点云编码成2维矩阵,使用CNN对其进行特征提取和后续处理.类似的方法在其之前的工作中被用于ground segmentation 以及 vehicle detection:《M. Velas, M. Spanel, M. Hradis, and A. Herout, “CNN for very fastground segmentation in Velodyne lidar data,” 2017. [Online]. Available:http://arxiv.org/abs/1709.原创 2020-09-27 11:43:35 · 507 阅读 · 0 评论 -
【论文笔记】动态图神经网络处理点云 LDGCN: Linked Dynamic Graph CNN 2019
南方科技大学代码链接https://github.com/KuangenZhang/ldgcnn本文是基于DGCNN和PointNet进行改进之后的工作,主要是用于点云特征提取任务,可以很方便的扩展到点云分类和点云分割任务。主要工作就是在DGCNN的基础上加了不同层之间的skip connections,作者称之为"link",使得点云分类精度有了0.7% 的提升,而且由于去掉了点云变换网络,速度比DGCNN更快了。现有的点云分类任务上精度最好的网络是DGCNN(1024个点,不使用额外的法向量信.原创 2020-09-26 16:10:53 · 2555 阅读 · 1 评论 -
【论文笔记】点云关键点检测和特征提取 USIP: Unsupervised Stable Interest Point Detection from 3D Point Clouds 2019 论文笔记
新加坡国立大学代码链接:https://github.com/lijx10/USIP这是一篇通过无监督学习来进行点云关键点检测的文章.整体的网络结构:首先将输入的点云进行随机旋转平移变换,网络分别对两个点云进行关键点提取得到关键点QQQ,并对每个关键点的不确定度进行预测得到∑\sum∑。损失函数Probabilistic Chamfer Loss作者希望网络能够学习点云中的稳定的关键点(repeatability),也就是说两个场景信息大部分重合的点云,即网络的两个输入,应该能够.原创 2020-09-21 23:08:53 · 3739 阅读 · 0 评论 -
【论文笔记】动态图神经网络处理点云 DGCNN : Dynamic Graph CNN for Learning on Point Clouds 2019
DGCNN,继Pointnet之后点云特征提取的又一代表性工作.Pointnet是先在每个点的特征上各自进行MLP提取(没有点与点之间的特征交流),最后使用MAXpool将所有点的特征融合在一起,得到一个对总体点云的1024维的特征描述子,因此可以将Point net作为点云全局特征的提取器.相比Pointnet,DGCNN则可以对点云的局部几何特征进行提取和利用.DGCNN采用了图神经网络对点云特征逐步进行更新和融合,即Edge conv.DGCNN中的节点每一个点云的特征,边由在特征空间中定义的邻原创 2020-09-20 21:37:18 · 2760 阅读 · 0 评论 -
【论文笔记】 激光里程计 DeepPCO:End-to-End Point Cloud Odometry through Deep ParallelNeural Network 2020
In this paper, we investigate two key issues which impact the performance of PCO using end-to-end deep learning. The first is the representation (encoding) of the point cloud itself. This ranges from the raw point cloud to various approaches to projecting原创 2020-09-17 22:25:52 · 597 阅读 · 0 评论 -
【论文笔记】激光里程计 DeepLO:Geometry-Aware Deep LiDAR Odometry 2019
视频链接:链接使用surfel based 的表示方法(vertex+normal)作为网络的输入,避免了量化损失,看起来是一种不错的表示方法,既没有误差,保留了点云数据的精确性,还以一种map 的形式提供邻域查询功能,不需要KDtree检索之类。此外,使用几何一致性约束的损失函数进行无监督训练,通过扰动成像的方法证明了损失函数的可行性。并在部分场景上取得了优于有监督训练的精度。DeePLO同样对点云的表达形式做出了优化,使用了与range image类似的一种图像坐标参数化表示:(uv)=((.原创 2020-09-17 17:49:48 · 1865 阅读 · 2 评论 -
【论文笔记】大规模点云分割网络 RangeNet++ 2019
机构:波恩大学代码链接: https://github.com/PRBonn/lidar-bonnetal本文解决的问题是旋转式激光雷达点云数据的语义分割问题,其在进行处理时以原始点云作为输入,不丢弃任何点的信息。分割精度超越了现有SOTA,且速度快于激光雷达的帧率(10Hz)RangeNet++RangeNet++ 基于2D-3D投影的分割思路,处理流程大概可以分为4步:将点云数据转换为range image(距离图像,应该是名称中’range’的由来)在range image上进行2.原创 2020-09-09 16:54:59 · 4892 阅读 · 9 评论 -
【论文笔记】点云配准网络 3DRegNet: A Deep Neural Network for 3D Point Registration 2020
Instituto Superior T ́ecnico, Lisboa; Google;印度科学研究所,班加罗尔;马里兰大学帕克分校代码链接:https://github.com/3DVisionISR/3DRegNet本文提出了一种基于深度学习的点云配准方法3DRegNet,超越了现有RANSAC和ICP的精度,同时在CPU上也达到了25倍RANSAC的速度。注意3DRegNet假设两个点云之间的对应关系是给定的,3DRegNet只负责剔除噪声点,生成位姿变换矩阵这两个任务。实验部分对现有的.原创 2020-09-08 22:54:07 · 2488 阅读 · 3 评论 -
【论文笔记】激光里程计网络 LO-Net:Deep Real-time Lidar Odometry2019
厦门大学,路易斯安那州立大学本文提出了激光里程计LO-Net,其通过多任务学习对点云数据同时进行法向量估计、动态区域预测、相机位姿回归。此外还设计了一个scan2map 的建图模块来降低累计误差、提升里程计的精度。达到了超越DP-based方法、与几何结构方法SOTA–LOAM相似的里程计性能。网络结构网络输入为前后帧的点云数据,网络分为三个部分:法向量估计网络动态区域mask估计网络位姿回归孪生网络最后,还有一个将当前帧的点云注册到map中的建图模块,负责将预测的相对位姿根据m.原创 2020-09-07 12:05:53 · 1965 阅读 · 6 评论 -
【论文笔记】点云配准网络 PCRNet: Point Cloud Registration Network using PointNet Encoding 2019
卡内基梅隆大学, 富士通 , Argo, 苹果本文使用PointNet对点云提取全局特征,不需要计算点云之间的一一对应关系,因此能够实现快速的点云配准。PCRNet根本没有用到局部特征,因此在速度上有优势,精度上会有所妥协。加入了局部特征信息的模型应该会有更高的精度。PCRNet 的另一特点是其迭代版本鲁棒性很强,可以对类内不同实例进行鲁棒的配准,其他配准方法不行,还是只使用了全局特征的原因。模型整体结构简单,可以快速上手。PCRNet输入为template点云和source点云,首先使.原创 2020-09-05 23:43:19 · 5212 阅读 · 6 评论 -
DCP代码及实验记录 2020.9.5
实验结果和代码已上传至学校云盘: 链接:https://rec.ustc.edu.cn/share/41947130-ef56-11ea-ae23-ebe12587560c00:使用modelNet40的点云数据进行配准实验。点云数目:2048modelnet的点云数据非常规整,没有噪声点,src,target是由同一个点云数据旋转得到的,因而两个点云之间严格一一对应配准效果非常好。点云数据:kitti_odometry 序列0101:点云采样数量:3072对同一个点云进行原创 2020-09-05 17:04:02 · 1647 阅读 · 4 评论 -
【论文笔记】点云配准网络 3D Local Features for Direct Pairwise Registration 2019
慕尼黑工业大学, 西门子 ,国防科大本文针对点云配准和点云相对位姿估计问题,提出了适应于该任务的局部描述子,以及在该描述子上进行相对位姿回归的网络,RelativeNet。局部特征的学习根据2D图像的方法,应该先设计好用的局部描述子,或者使用网络学习。然而,作者指出,现有的3D描述子无论是手工设计还是网络学习,都不能像2D描述子一样将领域内的边缘朝向等信息提取出来,因而并不适用于点云配准任务。论文方法大概思路如上图,网络的输入是一个fragment pair包含的多个点云patches p.原创 2020-08-31 21:09:00 · 1105 阅读 · 0 评论 -
【论文笔记】激光里程计 DMLO: Deep Matching LiDAR Odometry 2020
DMLO: Deep Matching LiDAR Odometry 2020 激光里程计图森未来本文提出了基于深度学习方法的激光里程计,首次在激光里程计任务中使用全局稀疏匹配。其性能超越了现有的DP-based的方法,与几何SOTA方法(SUMA)性能很接近。相关工作局部迭代方法:ICP系列。应用比较普遍,但是计算量大,异常值敏感,需要很小心的初始化。全局稀疏配准:使用局部几何描述子,大多数手工提取,不适用于稀疏、不均匀的点云数据。DP-based:几何不可解释,泛化性不能保证原创 2020-08-30 22:46:48 · 1227 阅读 · 0 评论 -
【论文笔记】激光里程计 DeepICP: An End-to-End Deep Neural Network for 3D Point Cloud Registration 2019
百度自动驾驶部门本文提出了用于点云配准的首个端到端可学习的网络,DeepICP。与现有基于几何方法的SOTA方法到达了长相思的性能。传统的点云配准过程包括:关键点检测,特征描述子提取,特征匹配,剔除离群点,估计变换矩阵。传统点云配准方法尽管在一些场景取得了较好的性能,但是依然没有一种全场景通用的点云配准方法。Deep ICP有个好处是他预测 的target点云的坐标是多个点加权得到的,而不是在target点云里面选一个。对于source 、target点云并不完全一致的情况(激光雷达的前后帧率).原创 2020-08-28 17:46:12 · 2605 阅读 · 3 评论 -
【论文笔记】点云配准 PointNetLK: Robust & Efficient Point Cloud Registration using PointNet CVPR 2019
PointNetLK: Robust & Efficient Point Cloud Registration using PointNet CVPR 2019 论文笔记CMU ,富士通 ,Argo AI代码地址 : 地址reference: 链接本文针对点云配准的问题,提出PointNetLK.**核心思想:**把点云$P_T$和PSP_SPS通过PointNet网络映射到和ϕ(PT)和ϕ(PS)\phi(P_T)和\phi(P_S)ϕ(PT)和ϕ(PS),目标是找出一个刚性原创 2020-08-25 17:27:01 · 4102 阅读 · 4 评论 -
【 论文笔记】大规模点云分割 RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds CVPR 2020
牛津大学,国防科技大学代码:地址更加详细的论文翻译:地址本文提出轻量级高效的大规模点云语义分割算法:RandLA-Net。其单次可处理10610^6106个点,速度相较于基于图的SPG方法快了200倍,且内存占用较小,语义分割精度SOTA。现有方法均不能处理大规模的点云数据,局限在较小规模的场景和点云数据上,作者认为主要原因有:点云采样方法计算量大,内存占用高(这个是主因,除了随机采样,常用的采样算法都太慢了)点云局部特征学习器均依赖于kernelisation或graph constru.原创 2020-08-23 17:09:07 · 2339 阅读 · 0 评论 -
python 点云处理 使用plyfile库写.ply文件
点云处理时,关使用python读写.ply文件的博客并不多,而且要么是从ply文件头部开始写起,要么是csdn收费的。所以打算自己写一个博客记录下。1. 读ply文件这个很简单,具体可以看官方文档:2.写ply文件这个比较麻烦,原文档说的也不是很清楚。首先安装plyfile库:pip install plyfilefrom plyfile import PlyData,PlyElementdef save_ply(save_path,pt): """ save_pat.原创 2020-07-15 23:50:17 · 22122 阅读 · 6 评论 -
【论文笔记】点云配准网络 Deep Closest Point: Learning Representations for Point Cloud Registration 2019
作者:Yue Wang, Justin M. Solomon研究机构:MIT代码链接:代码使用概率的方法可以得到soft的结果从而保证了可微性。论文解决的问题目标任务:点云配准,输入两个点云数据,寻找点云数据之间的刚性变换,输出点云之间的变换矩阵和点云的对应关系。本文提出基于深度学习的单步(无需迭代)点云配准方法Deep Closest Point,性能SOTA,提取的点云特征在未见类别和目标上获得了很好的泛化性,以及证明了局部特征对于点云配准的促进作用。现有方法的不足 & 本..原创 2020-07-14 19:29:55 · 4752 阅读 · 2 评论 -
RPM-Net: Robust Point Matching using Learned Features 2020 论文笔记
通讯作者:Gim Hee Lee第一作者:Zi Jian Yew研究机构:新加坡国立大学代码链接:https://github.com/yewzijian/RPMNet论文解决的问题解决了点云刚性配准任务中,对初始刚性变换和噪声/离群点敏感的问题。现有方法的不足 & 本文贡献迭代最近点法(ICP)分两步迭代求解刚性点云配准问题:对空间上最近点对应关系进行硬赋值,求出最小二乘刚性变换然而,基于空间距离的最近点对应的硬赋值对初始刚性变换和离群点敏感,往往导致ICP收敛到错误..原创 2020-05-17 22:50:53 · 6344 阅读 · 0 评论 -
PF-Net: Point Fractal Network for 3D Point Cloud Completion 2020 论文笔记
上海交通大学,商汤科技自己的想法:拿着个作为数据预处理模块挺好的,不知道速度怎么样。GAN的损失函数不要太了解,导致其中GAN鉴别器的应用部分有点没看懂,一般设计网络的时候可能到计算Chamber loss就可以了,但是这样生成的点云不够自然,所以加入了GAN让点云看起来更像真的,试验结果也显示GAN对性能提升有一定作用。论文简介从激光雷达等设备中获取的点云往往有所缺失,这给点云的后续...原创 2020-05-08 15:22:39 · 4423 阅读 · 0 评论