基于八叉树的稀疏卷积神经网络三维形状分析与综合（O-CNN）

已于 2022-02-27 21:43:46 修改
阅读量1.5k 收藏 4
点赞数 1
分类专栏： 三维视觉 文章标签： cnn 深度学习 人工智能
于 2021-12-14 20:08:23 首次发布
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/qq_27353621/article/details/121937493
版权
该博客介绍了点云预处理的重要性，通过使用八叉树进行点云数据的有序处理，提升点云分类和处理的效率。同时，点云处理的新方法point-bert被提及，这是一种结合了预处理和深度学习的技术，对于理解三维空间数据有着显著效果。
摘要由CSDN通过智能技术生成

来自微软亚洲研究院——王鹏帅
在这里插入图片描述
在这里插入图片描述
![在这里插入图片描述](https://img-blog.csdnimg.cn/bd6d4c741d414d059fa67b2e8b4cf196.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA6ams5bC

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
八叉树具有通用性
一分为八
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在预处理阶段，让点云变得有序
点云分类、点云处理
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
point-bert

参考主页：https://wang-ps.github.io/

马少爷
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文研究-基于三维点云数据的线性八叉树编码压缩算法.pdf
07-22
八叉树结构是三维数据建模中研究和应用最为广泛的栅格数据结构。由于三维扫描的点云数据是基于物体表面的，其空间离散程度远大于三维实体数据，一般的线性八叉树编码压缩方法都是基于实体数据的，不能直接应用于三维点云数据。提出的改进的线性八叉树地址码（Morton码）的方法可大大提高它的连续性，有效降低八叉树的深度，提高数据的压缩比，改进后的Morton码还可以应用多种编码压缩算法进一步压缩。
新安江代码matlab-O-CNN:用于3D形状分析的基于八叉树的卷积神经网络
06-19
新安江代码matlab CNN 该存储库包含我们 SIGGRAPH 2017 论文和 SIGGRAPH Asia 2018 论文中介绍的O-CNN和自适应 O-CNN的实现。 该代码是在MIT 许可下发布的。 作者: , , Yu-Xiao Guo, Chun-Yu Sun and ACM 图形交易 (SIGGRAPH), 36(4), 2017 , 孙春雨, 和ACM 图形交易 (SIGGRAPH Asia), 37(6), 2018 由 , 和2020 年计算机视觉和模式识别 (CVPR) 研讨会 作者：Yu-Qi Yang, Qian-Fang Zou, 和AAAI 人工智能会议 (AAAI)，2021. [Arxiv, 2020.08] 如果您使用我们的代码或模型，请参阅我们的论文。 什么是新的？ 2021.03.01：更新基于pytorch的O-CNN的代码，包括一个ResNet和一些重要的模块。 2021.02.08：发布使用 HRNet 进行 ShapeNet 分割的代码。 2021.02.03：发布带有 HRNet 的 ModelNet40 分类代码。 2020.10.
基于C++的O-CNN（基于八叉树的卷积神经网络）三维形状分析设计源码
04-17
本项目是基于C++开发的O-CNN（基于八叉树的卷积神经网络）三维形状分析设计源码，主要使用C++进行开发。项目共包含358个文件，其中C++源代码文件108个，Python源代码文件84个，头文件28个，CUDA源代码文件26个，C++源代码文件26个，C源代码文件23个，Prototxt配置文件22个，Markdown文档14个，YAML配置文件14个，以及Caffemodel模型文件4个。O-CNN是一个用于三维形状分析的框架，它利用八叉树结构来表示和处理三维形状数据，通过卷积神经网络进行特征提取和分类。项目结构清晰，代码注释详尽，适合用于学习和研究C++、Python、CUDA、MATLAB在三维形状分析中的应用。
探索未来3D深度学习：O-CNN —— 简洁高效的Octree-based稀疏卷积网络框架
最新发布
gitblog_00001的博客
06-20 279
探索未来3D深度学习：O-CNN —— 简洁高效的Octree-based稀疏卷积网络框架 项目地址:https://gitcode.com/octree-nn/ocnn-pytorch 在不断发展的深度学习领域中，3D数据的处理和理解变得越来越重要。O-CNN是一个创新的开源项目，它采用基于八叉树（octree）的数据结构实现了一种用于3D深度学习的高效稀疏卷积神经网络框架。这篇推荐文章将带领您...
sparse-voxel-octrees, CPU稀疏素八叉树实现.zip
10-10
sparse-voxel-octrees, CPU稀疏素八叉树实现 稀疏体素八叉方案在 C++ 中实现了多线程。CPU稀疏的体素八叉树实现，能够实时跟踪大型数据集，将原始体素文件转换为八叉树，转化为。转换例程能够处理比工作内存大得多的数据集，从而允许创建和呈现非常大的八叉树( 分辨率 8192
泊松重建（Poisson Surface Reconstruction）
weixin_43236428的博客
03-20 2万+
简介 泊松重建是Michael Kazhdan等在2006年提出的网格重建方法，其文章题目为“Poisson Surface Reconstruction”。 Poisson-Rec的输入是带有法向量属性的点云数据（也可以有RGB信息），输出是三角网格模型，下面来直观的感受一下泊松重建的输入和输出： 表面重建流程： 1、构建八叉树：采用的是自适应的空间网格划分的方法（根据点云的密度调整网格的深...
八叉树Octree
热门推荐
Augusdi的专栏
06-30 3万+
维基释义：八叉树（Octree）是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个正方体的体积元素，每个节点有八个子节点，这八个子节点所表示的体积元素加在一起就等于父节点的体积。一般中心点作为节点的分叉中心。百度百科释义：八叉树（Octree）的定义是：若不为空树的话，树中任一节点的子节点恰好只会有八个，或零个，也就是子节点不会有0与8以外的数目。那么，这要用来做什么？想象一个立方体，
【点云处理之论文狂读经典版8】—— O-CNN: Octree-based Convolutional Neural Networks for 3D Shape Analysis
yuanmiyu6522的博客
06-02 1726
O-CNN: Octree-based Convolutional Neural Networks for 3D Shape Analysis摘要 摘要 以八叉树叶子节点中的平均法向量为输入，执行3D CNN操作 设计了一种新的八叉树数据结构 通过限制在八叉树子节点上的计算，O-CNN的内存消耗和计算复杂度随着八叉树深度的增加呈二次增长，使得3D CNN能够处理更高分辨率的3D 模型 代码详见：https://github.com/Microsoft/O-CNN ...
八叉树（Octree）
weixin_34247155的博客
08-17 1139
　　八叉树（Octree）是一种用于描述三维空间的树状数据结构。想象一个立方体，我们最少可以切成多少个相同等分的小立方体？答案就是8个。再想象我们有一个房间，房间里某个角落藏着一枚金币，我们想很快的把金币找出来，怎么找最高效？我们可以把房间当成一个立方体，先切成八个小立方体，然后排除掉没有放任何东西的小立方体，再把有可能藏金币的小立方体继续切八等份….如此下去，平均在Log8(房间内的所有物品数)...
稀疏八叉树：一种稀疏八叉树数据结构
02-01
稀疏八度 一种基于指针的稀疏八叉树数据结构。 有关线性实现，请参见 。 ·· 安装 该库需要对等依赖关系 。 npm install math-ds sparse-octree 用法 点数 import { Vector3 } from "math-ds" ; import { PointOctree } from "sparse-octree" ; const min = new Vector3 ( - 1 , - 1 , - 1 ) ; const max = new Vector3 ( 1 , 1 , 1 ) ; const octree = new PointOctree ( min , max ) ; const myData = { } ; const p1 = new Vector3 ( 0 , 0 , 0 ) ; const p2 = new Vector3 ( 0 , 0 , 0.5 ) ; octree . insert ( p1 , myData ) ; octree . move ( p1 , p2 ) ; octree . get ( p2 ) ; //
论文O-CNN音频讲解&课件&论文
11-15
O-CNN音频讲解&课件&论文，原作者讲解录音，带分享PPT
OCNN:基于对象的CNN
05-13
基于对象的CNN（OCNN）用于卫星图像语义标记 OCNN的目标是为卫星图像的语义标记提供一种快速，准确的方法，同时保留有关地理实体的详细信息。 它旨在易于实施，以支持卫星图像映射和基准研究评估。 如果您认为这有帮助，请引用我们的作品 此外，我们还要感谢Thomas Blaschke教授，Stefan Lang教授，Dirk Tiede教授以及OBIA小组成员的宝贵建议。 笔记： 基于对象的CNN（OCNN）已经集成了逐像素CNN（PCNN）策略，因此我们放弃了Matlab版本的PCNN，因为它的效率似乎有点低。 要使用OCNN代码，您可能需要确保已经满足必要的环境。 相关的模块或软件包是： 张量流 cv2 泡菜 还应安装其他基本模块，例如numpy，scipy，PIL。 整体结构（这是原型，所以可能看起来有些碎裂）： |-OCNN_main.py (improtant!)
基于体素模型与卷积神经网络的三维模型分类算法.pdf
09-25
《基于体素模型与卷积神经网络的三维模型分类算法》 三维模型分类是计算机图形学和机器学习领域中的一个重要研究方向，它在CAD设计、虚拟现实、自动驾驶等多个领域都有广泛应用。传统三维模型分类算法面临的主要...
结合稀疏八叉树卷积神经网络的牙齿预备体颈缘线提取方法.pdf
09-25
标题和描述中提到的方法是利用稀疏八叉树卷积神经网络来自动提取牙齿预备体颈缘线，这是一种深度学习技术在口腔修复领域的应用。在传统的牙齿修复过程中，颈缘线的提取通常需要牙医手动标记特征点，过程复杂且效率...
【Structure Light】reading notes（一）
bryant_meng
10-29 712
文章目录《基于结构光测量技术的接触轨检测方法研究》——杨柳（2019.5）《基于彩色结构光的航空发动机叶片快速测量方法研究》——徐泓（2019.5）《基于多线结构光的三维测量系统的研究》——邹易（2019.5）《RGB-D 室内场景图像的目标提取算法研究》——吴晓秋（2018.4）《RGB-D 图像的显著目标检测方法研究及其应用》——邵婷（2018.2）《RGB-D 图像和点云图像实例分割方法研究》——王玉婷（2019.4） 《基于结构光测量技术的接触轨检测方法研究》——杨柳（2019.5） 接触式测..
深度卷积神经网络演化历史及结构改进脉络-40页长文全面解读
weixin_34296641的博客
05-10 917
早期成果 卷积神经网络是各种深度神经网络中应用最广泛的一种，在机器视觉的很多问题上都取得了当前最好的效果，另外它在自然语言处理，计算机图形学等领域也有成功的应用。 第一个真正意义上的卷积神经网络由LeCun在1989年提出[1]，后来进行了改进，它被用于手写字符的识别，是当前各种深度卷积神经网络的鼻祖。接下来我们介绍LeCun在早期提出的3种卷积网络结构...
推荐开源项目：O-CNN - 基于八叉树的卷积神经网络
gitblog_00066的博客
05-18 335
推荐开源项目：O-CNN - 基于八叉树的卷积神经网络 项目地址:https://gitcode.com/microsoft/O-CNN 项目介绍 O-CNN 是一个用于处理和理解3D形状数据的创新开源项目，由一系列相关论文的实现组成。该项目的设计灵感来源于对三维点云数据的有效存储和处理，通过引入八叉树结构（Octree）优化了传统的卷积神经网络，使其更适应3D空间的数据特征。O-CNN不仅提供了...
O-CNN的学习理解
baidu_40582876的博客
10-15 3799
最近在看3d reconstruction 的东西，尝试用voxel去做，但是一直受困于分辨率的问题，刚好读到了Microsoft Research Asia 的O-CNN的文章，觉得写得非常的好，也可以用于后续的解决内存开销的问题，这里记录学习下： 文献题目：O-CNN：Octree-based Convolutional Neural Network for 3D Shape Analysi...
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