深度学习
文章平均质量分 82
KylinQAQ
这个作者很懒,什么都没留下…
展开
-
基于深度学习的三维点云识别
基于深度学习的三维点云识别一、什么是三维物体识别 随着三维成像技术的发展,结构光测量、激光扫描、ToF等技术趋于成熟,物体表面的三维坐标能够精准而快速的获取,从而生成场景的三维数据,能够更好地感知和理解周围环境。三维数据包含了场景的深度信息,能够表示物体的表面形状,在机器人、AR/VR、人机交互、遥感测绘等多个领域具有广阔的应用前景。 三维数据由传感器直接获得,可以表示为深度图、点云、网...原创 2018-10-10 10:23:34 · 30816 阅读 · 10 评论 -
PointNet++阅读笔记
PointNet++阅读笔记 pointNet使用对称函数整合全局信息,解决点的无序性问题,然而从单点使用mlp的特征提取,到max pooling进行全局特征整合,最终得到的特征,都只是从一个点上提取的,没有考虑点和点之间的相关性特征。 pointNet++就在此基础上,提取了局部相关性的特征,这种局部特征被认为是距离尺度空间所展现的性质,比如点的密度信息。文章不仅仅局限于欧式空间,me...原创 2018-10-10 10:30:18 · 2438 阅读 · 1 评论 -
PointNet阅读笔记
PointNet阅读笔记本文开创性地提出了将深度学习直接用于三维点云数据上的方法。三维点云由于其无序性,无法直接使用卷积等操作。本文提出了对称函数解决点的无序性问题,并给出了理论证明。设计了能够进行分类和分割任务的网络结构,认为提取出的特征点是三维物体的骨架结构。问题说明输入一个无序点集,包含n个点,每个点是其坐标表示(x,y,z),也可以添加其他手动提取的特征。对于分类问题,输出1*k的向...原创 2018-10-10 10:31:30 · 1966 阅读 · 0 评论 -
PointCNN论文阅读笔记
PointCNN论文阅读笔记主要思想这篇论文提出了将卷积层用于三维物体识别的方法,引入一种可学习的矩阵X,对三维点云数据加权、置换。使得卷积能够保留点云的空间位置信息,并且不依赖与点的输入顺序。前层区域内的特征点经卷积操作,得到后层表示点(representative poin),即前层的高维局部特征表示。此方法可以同时应用在分类和分割任务中,作者介绍了在两类任务中的不同网络架构及细节实现。...原创 2018-10-10 10:53:31 · 2251 阅读 · 0 评论 -
[论文笔记] VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection
VoxelNet1. contribution针对激光雷达获取的高数量级点云数据,提出了一个端到端的可训练深度网络架构,实现精度较高的物体检测任务。将稀疏的点云数据转化为稠密的体素(voxel)张量,能够进行GPU加速。2. 网络架构网络架构分为三层:特征提取层:将点云划分为voxel形式,使用层级的VFE层提取特征,得到稀疏的voxel-wise特征张量。中间卷积层:使用3...原创 2018-10-10 17:50:27 · 6329 阅读 · 0 评论 -
PointNet复现
一、代码运行1.分类任务1.1训练python train.py --batch_size=8显卡显存太小,只能跑batch size为8的,训练250个epoch。1.2测试python evaluate.py --visu结果:eval mean loss: 0.488872eval accuracy: 0.878444eval avg class acc: 0.85...原创 2018-10-30 14:16:43 · 6274 阅读 · 18 评论 -
PointNet++复现
代码运行分类任务python train.py下载数据集并训练,后可接参数,这里使用--batch_size=4python evaluate.py --num_votes 12 测试 0.901/0.907eval mean loss: 0.372334eval accuracy: 0.901945eval avg class acc: 0.876547 airplane...原创 2018-11-08 09:38:55 · 4169 阅读 · 8 评论