![](https://img-blog.csdnimg.cn/20190918140145169.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
论文阅读
文章平均质量分 89
for Oral implant surgery navigation
Research on marker-free registration technology
dc爱傲雪和技术
极限运动员
展开
-
点云分割论文阅读01--FusionVision
在计算机视觉领域,鉴于不同的环境条件和不同的物体外观所产生的固有复杂性,将先进技术集成到 RGB-D 相机输入的预处理中提出了重大挑战。因此,本文介绍了 FusionVision,这是一种适用于 RGB-D 图像中对象的鲁棒 3D 分割的详尽管道。传统的计算机视觉系统主要针对 RGB 相机,因此在同时捕获精确的物体边界和在深度图上实现高精度物体检测方面面临着局限性。为了应对这一挑战,FusionVision 采用了一种集成方法,将最先进的对象检测技术与先进的实例分割方法相结合。原创 2024-05-13 17:28:26 · 750 阅读 · 0 评论 -
PointNet++点云处理原理
借鉴了多层神经网络的思想pointnet要么是一个点,要么是所有点进行操作,就不会有局部上下文信息pointnet++基本思想是迭代地应用到局部区域1.多级别特征学习2.旋转不变性3.置换不变性选取中心点centroid,通过pointnet学到这个小区域的全局特征采样:选取centroid (sample centroids)分组:以centroid为中心,选取局部的点 (group points by centroids)原创 2024-03-28 19:38:17 · 1027 阅读 · 0 评论 -
论文理解:PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
pointnet所作的革命性的事情是,基本上不需要中间表示想找到两个网络,原创 2024-03-27 16:28:10 · 214 阅读 · 0 评论 -
点云配准论文阅读5- PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
之前很少有研究研究点集深度学习的作品。PointNet [20] 是这个方向的先驱。然而,根据设计,PointNet 无法捕获由所在度量空间点引起的局部结构,从而限制了其识别细粒度模式的能力以及对复杂场景的泛化能力。在这项工作中,我们引入了一种分层神经网络,它将 PointNet 递归地应用于输入点集的嵌套分区。通过利用度量空间距离,我们的网络能够随着上下文尺度的增加来学习局部特征。原创 2024-03-25 23:02:19 · 785 阅读 · 0 评论 -
点云配准论文阅读4--PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation PointNet
在本文中,我们探索了能够推理 3D 几何数据(例如点云或网格)的深度学习架构。典型的卷积架构需要高度规则的输入数据格式,例如图像网格或 3D 体素的数据格式,以便执行权重共享和其他内核优化。由于点云或网格不采用常规格式,因此大多数研究人员通常将此类数据转换为常规 3D 体素网格或图像集合(例如视图),然后再将其输入深度网络架构。然而,这种数据表示转换使生成的数据变得不必要地庞大,同时还引入了可能掩盖数据自然不变性的量化伪影。原创 2024-03-21 22:54:14 · 847 阅读 · 0 评论 -
点云配准论文阅读3-Cross-source point cloud registration: Challenges, progress and prospects跨源点云配准:挑战、进展与展望
随着3D传感器技术的快速发展,跨源点云cross-source point cloud(CSPC)配准这一新兴话题引起了越来越多的关注。与传统的同源点云侧重于来自同一类型 3D 传感器(例如 Kinect)的数据不同,CSPC 来自不同类型的 3D 传感器(例如 Kinect 和 LiDAR)。CSPC注册将同源数据采集的需求推广到异源数据采集的需求,从而导致应用的泛化,并结合了多种传感器的优点。在本文中,我们对 CSPC 注册进行了系统回顾。原创 2024-03-18 15:39:26 · 1184 阅读 · 0 评论 -
点云配准论文阅读2-Feature-Metric Registration: A Fast Semi-Supervised Approach for Robust Point Cloud Regist
点云配准是将同一 3D 场景或对象的不同扫描转换为一个坐标系的过程。大多数最先进的配准方法[12]、[8]、[9]通过两个过程最小化几何(基于点坐标的)投影误差:对应搜索和变换估计。这两个过程交替进行,直到几何投影误差最小。我们努力解决点云配准问题,因为配准对于机器人视觉和增强现实等许多任务至关重要。在点云配准任务中,如图1所示,点1和点2的最佳对齐是第三列(手动对齐),因为几何投影误差最小。然而,由于没有点与点的对应关系,使用现有的两过程方法很难实现这种最佳对准。原创 2024-03-17 16:05:57 · 831 阅读 · 0 评论 -
点云配准论文阅读1-Research on Three-Dimensional Point Cloud Registration Algorithm
Publisher: IEEE发行者 : IEEECite This引用此内容PDFYuqing Zhang; Shilong Sun; Jingjing Shang; Minghan Yang张玉清;孙世龙; 尚晶晶;杨明翰According to the different processing steps and ideas, the point cloud registration algorithms are classified into five categories. The represe原创 2024-03-14 15:58:16 · 1099 阅读 · 0 评论 -
无标记配准论文阅读(二)A Vision-Based Navigation System With Markerless Image Registration and Position-Sensing
口腔颌面外科 (OMS) 的质量很大程度上取决于手术导航的准确性。在本文中,开发了一种基于视觉的无标记手术导航系统,以克服当前可用技术的缺点。改进了患者和手术器械跟踪的注册方法,以提高导航性能。对于患者图像配准,我们提出了一种仅使用形状信息的有效无纹理姿势估计方法。开发了一种创新策略来有效拒绝异常值并提高位姿精度,这是引入几何匹配信息指导PnP计算的首次尝试。对于手术器械跟踪,位置传感标记用于实现稳健、便捷的高精度器械定位。在 3D 打印的上颌骨和下颌骨模型上进行了实验,以评估导航性能。原创 2024-03-12 21:34:11 · 952 阅读 · 2 评论 -
无标记配准论文阅读1 Automatic Markerless Registration and Tracking of the Bone for Computer-Assisted Orthopae
为了在计算机辅助骨科手术中实现简单且侵入性较小的配准程序,我们提出了一种基于深度成像和深度学习的自动、无标记配准和跟踪方法。使用深度相机在手术过程中连续捕捉暴露骨骼的RGB和深度图像,并训练深度神经网络首先使用RGB图像定位手术目标,然后分割相应深度图像的目标区域,从中提取目标骨骼的表面几何形状。然后将提取的表面与同一骨骼的术前模型进行比较以进行配准。这个过程可以在手术过程中以 5-6 Hz 的速率动态执行,无需外科医生干预或侵入性光学标记。原创 2024-03-11 21:52:26 · 684 阅读 · 0 评论