CorrNet3D：基于无监督的非刚性点云配准网络 （CVPR2021）

最新推荐文章于 2024-06-26 09:57:32 发布
最新推荐文章于 2024-06-26 09:57:32 发布
阅读量1.5k 收藏 19
点赞数 1
文章标签： 人工智能 计算机视觉 机器学习 深度学习 知识图谱
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_29462849/article/details/119902111
版权

论文、代码地址：在公众号「计算机视觉工坊」，后台回复「CorrNet3D」，即可直接下载。

一、引言

点云因其能够精准地反映物体的真实尺寸和形状结构而备受人们青睐，被广泛应用于自动驾驶、VR/AR等领域。本文致力于研究点云视觉任务中一个基础而关键的问题——构建点云序列之间点与点之间的对应关系，该问题在点云配准、三维重建、目标识别与跟踪、地图构建与定位等方面均有着广泛的应用，是目前研究领域关注和研究的热点。

二、动机

最低0.47元/天 解锁文章
Tom Hardy
关注
  • 1
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像配准系列之基于B样条的FFD自由变换原理与C++实现
shandianfengfan的博客
02-05 5442
基于B样条的FFD变换属于一种网格型的非刚性形变模型，它按照一定的间距在图像上分布一系列的网格点，使用网格点的位置来计算每个像素点的坐标偏移，最后根据坐标偏移对图像进行像素重采样，实现其非...
无监督胶囊网络
zandaoguang的博客
12-17 306
机器之心报道作者：杜伟、小舟这是一种为 3D 点云提出的无监督胶囊架构，并且在 3D 点云重构、配准和无监督分类方面优于 SOTA 方法。理解对象是计算机视觉的核心问题之一。传统方法而言...
非刚性/柔性点云ICP配准
z15f34的博客
02-13 1609
刚性ICP前文已经说过：搞懂ICP（最近邻迭代）配准算法 - 2_z15f34的博客-CSDN博客_icp配准算法https://blog.csdn.net/z15f34/article/details/109036477非刚性/柔性点云ICP配准可以用于应变/形变分析，可应用在医学图像/AR&& VR /智能制造（如协作机器人在制鞋业上的应用）/空间重建/智能驾驶/机器人等等（todo: 插入视频）。 ...
开源点云非刚性配准(non-rigid registratioin)算法
weixin_43779943的博客
11-09 1520
开源点云非刚性配准算法
【论文汇总】无监督点云分类【Unsupervised Representation Learning for Point Clouds: A Survey】
py今天刷题了吗
04-09 756
文章目录5.2 Context-based methods from：Unsupervised Representation Learning for Point Clouds: A Survey 5.2 Context-based methods
基于特征匹配的三维点云配准算法
02-12
针对当前机器视觉热点研究的配准问题，提出了一种全新的快速点特征直方图(FPFH)特征描述与Delaunay三角剖分相结合的三维点云配准方法。首先采用FPFH综合描述特征信息，通过Delaunay三角网建立特征信息的局部关联性；...
点云配准+配准+点云+用于机械臂抓取
10-07
基于Point Pair Features（PPF）的6D姿态估计方法PPF是在机器视觉领域应用广泛的一种物体位姿提取方法。大名鼎鼎的Halcon，其Surface Matching 模块就是在这种方法的基础上做的优化。
基于卷积神经网络的点云配准方法
02-07
点云配准是三维点云信息处理中的重要问题。传统点云配准方法计算量大，不利于...实验结果表明，相比传统的点云配准方法，基于卷积神经网络的点云配准方法具有所需计算量小、配准效率高、对噪声点和异常点不敏感的优点。
图像处理源码-OverlapPredator-预测器：低重叠的3D点云的配准
07-05
以这种方式，将潜在表示转换为每个点特征的后续解码以相应的另一个点云为条件，从而可以预测哪些点不仅是显着的，而且还位于两个点云之间的重叠区域中。专注于与匹配相关的点的能力极大地提高了性能：PREDATOR在低...
基于无监督学习的医学图像非刚性配准项目完整代码
12-24
基于无监督学习的医学图像非刚性配准项目完整代码
unsupervisedRR：“ UnsupervisedR＆R：通过可区分渲染的无监督点云注册”的代码
03-04
UnsupervisedR＆R：通过可区分的渲染进行无监督的Pointcloud注册 该存储库保存了我们最近在无监督点云注册方面的所有代码和数据： ，， 如果您认为此代码有用，请考虑引用以下内容： @inProceedings{elbanani2021unsupervisedrr, title={UnsupervisedR&R: Unsupervised Pointcloud Registration via Differentiable Rendering}, author={El Banani, Mohamed and Gao, Luya and Johnson, Justin}, year={2021}, } 如果您对本文或代码有任何疑问，请随时通过给我发送电子邮件。 使用说明 致谢 我们要感谢审稿人和地区主席的宝贵意见和建议。 我们还要感谢Nilesh Kul
基于卷积神经网络结合改进Harris-SIFT的点云配准方法
02-21
针对传统点云配准方法在处理大型点云模型时存在计算量大、效率低和移动扫描配准实时性较差等问题,提出基于卷积神经网络结合改进Harris-SIFT(Scale Invariant Feature Transform)的点云配准方法。首先改进Harris-SIFT...
CVPR 2021 | ShapeInversion: 基于GAN逆映射的无监督点云补全方法
3D视觉工坊
06-08 2197
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达摘要 ·看点在CVPR 2021上，商汤科技-南洋理工大学联合 AI 研究中心 S-Lab 提出了基于GAN逆映射的无监督点云补全方...
CVPR 2023 | 无监督深度概率方法在部分点云配准中的应用
NLOS的博客
08-08 761
在计算机视觉和三维重建领域，点云配准是一个基础且重要的任务。点云配准的目标是找到两个或多个点云之间的最优变换，使得它们能在同一坐标系中对齐。但在实际应用中，如机器人视觉、增强现实和自动驾驶等，点云通常只有部分重叠，这给配准任务带来了巨大挑战。早期的方法大多依赖于人工标注数据，但这不仅耗时耗力，而且在处理部分重叠的点云时效果并不理想。为了解决这些问题，2023年的CVPR会议上，一组研究人员提出了一种名为UDPReg的无监督深度概率配准框架，专门处理部分重叠的点云。
CVPR2020：三维点云无监督表示学习的全局局部双向推理
吴建明wujianming_110117
07-01 1223
CVPR2020：三维点云无监督表示学习的全局局部双向推理 Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds 论文地址： https://openaccess.thecvf.com/content_CVPR_2020/papers/Rao_Global-Local_Bidirectional_Reasoning_for_Unsupervised_Representa
点云配准初识
weixin_43835047的博客
10-22 257
点云配准系列教程第一讲：点云配准初识
三维点云去噪无监督学习：ICCV2019论文分析
吴建明wujianming_110117
03-29 2466
三维点云去噪无监督学习：ICCV2019论文分析 Total Denoising: Unsupervised Learning of 3D Point Cloud Cleaning 论文链接： http://openaccess.thecvf.com/content_ICCV_2019/papers/Hermosilla_Total_Denoising_Unsupervised_Learning...
在西瓜数据集上训练_PointContrast: 点云无监督预训练 （ECCV2020）
weixin_39637924的博客
11-23 309
本文主要介绍一篇点云无监督预训练的文章。论文：PointContrast: Unsupervised Pre-training for 3D Point Cloud Understanding​arxiv.org1. 简介在2D视觉任务中，有这样一个经验：先用模型在一个比较大的的数据集（例如ImaegNet）做预训练，然后用预训练好的参数作为模型初始值，在特定任务的小数据集上训练，有助于提升性能。...
昇思25天学习打卡营第2天|张量学习
最新发布
main_h_的博客
06-26 702
张量是一种特殊的数据结构，主要是描述矩阵 行列式这类。张量（Tensor）是MindSpore网络运算中的基本数据结构，类似日常的多维数组，不过比基础的数组多了一些描述信息。
基于lm的鲁棒非刚性点云配准算法研究
08-29
基于lm的鲁棒非刚性点云配准算法研究，是指通过利用Levenberg-Marquardt（LM）算法进行非刚性点云配准的研究。 点云配准是将多个点云数据对齐，使得它们在同一个坐标系下能够精确重叠。在实际应用中，点云数据可能受到多种因素的影响，如传感器噪声、表面形变等，导致配准结果不够精确。因此，提出了基于LM的鲁棒非刚性点云配准算法来提高配准结果的鲁棒性。 在该算法中，首先将点云数据进行特征提取，以提取关键点的位置和法向量信息。然后，通过计算两组点云之间的特征相似性，得到初始化的配准变换矩阵。接下来，使用LM算法进行非刚性点云配准。LM算法在优化过程中能够自适应地调整步长，用于平衡局部搜索和全局搜索之间的权衡。这样可以提高配准算法的收敛速度和精度。 为了增强算法的鲁棒性，该算法还引入了鲁棒的误差度量函数。传统的误差函数对噪声比较敏感，而鲁棒误差度量函数通过对误差进行加权，使得配准算法对异常值更加稳健。此外，算法还通过迭代策略来进一步提高配准结果的准确性。 通过实验证明，基于LM的鲁棒非刚性点云配准算法在处理有噪声和表面形变等问题时具有较好的效果。该算法能够提供高质量的点云配准结果，并且对于异常数据具有较好的鲁棒性。因此，该算法在点云配准领域具有一定的研究价值和实际应用前景。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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