分类VS分割——从原理和代码角度来分析对比(点云深度学习)

最新推荐文章于 2024-08-11 22:50:26 发布

Leroy Sane

最新推荐文章于 2024-08-11 22:50:26 发布

阅读量6.4k

点赞数 3

本文链接：https://blog.csdn.net/qq_33278989/article/details/80595669

版权

本文探讨点云深度学习中分类与分割任务的关系，指出分割可视为像素级别的分类。以PointNet为例，分析两者在网络架构上的共性和差异，包括全局特征的处理和全连接层的应用，并说明尽管最终输出和损失函数类似，但分割任务可能需要针对改进效果调整损失函数策略。

摘要由CSDN通过智能技术生成

分类任务与分割任务有什么联系吗？

答案是肯定的。

分割其实就是对每一个像素进行分类。在代码上，分割与分类的区别就更小了，都是用全连接层输出一定的数目，这个数目就是你要分类/分割的个数。

以PointNet为例，先看看网络架构：

可以看到网络在得到global feature之前，分类和分割是公用一套网络的。它们的代码自然也一样。这部分代码位于pointnet_cls.py和pointnet_seg.py中，完全相同。

def get_model(point_cloud, is_training, bn_decay=None):
    """ Classification PointNet, input is BxNx3, output Bx40 """
    batch_size = point_cloud.get_shape()[0].value
    num_point = point_cloud.get_shape()[1].value
    end_points = {}    with tf.variable_scope('transform_net1') as sc:
        transform = input_transform_net(point_cloud, is_training, bn_decay, K=3)
    point_cloud_transformed = tf.matmul(point_cloud, transform)
    input_image = tf.expand_dims(point_cloud_transformed, -1)

    net = tf_util.conv2d(input_image, 64, [1