- 博客(8)
- 收藏
- 关注
RSS订阅原创 自动驾驶的三维点云处理与学习
本文是阅读了2020年3月份发布的论文3D Point Cloud Processing and Learning for Autonomous Driving 的总结，可能有不对的地方希望能够谅解。论文链接一、背景及现状自动驾驶早在2009年开始，谷歌就提出了自动驾驶的项目，并且创建了waymo。在2013到2014年，随着深度神经网络的发展，使得人们相信，自动驾驶技术可以实现。SAE将自动驾驶技术分为6个等级，从L0到L5【具体分类】，目前许多公司正在实现到达L4的目标。（L2到L3是一个转变点
2021-06-15 15:01:18
2508
1
原创 【论文笔记】PCT: Point Cloud Transformer
这是清华大学在2021年3月上传的关于将transformer应用在点云上的一篇论文。与其同期的还有两篇相似论文。本篇论文作者认为transformer本身具有很好的顺序不变性，而且在二维视觉任务上表现出了很好的效果，理论上可以代替卷积操作，因此transformer能够很好的应用在点云数据上。一、PCT的初始版本相比于文本信息，点云特征中包含了位置特征，因此可以省略位置信息的插入。对于一个点云P：N×D，N代表点的个数，D代表特征维数。首先经过一个Input Embedding模块，是由两层共享
2021-06-09 20:07:22
1578
1
原创 深度点云去噪文章整理
点云去噪与二维图像去噪不同，点云去噪目前仍是传统方法与深度学习方法并行的领域，不能说哪个是更先进的。但是深度学习作为一种学习工具，被用于点云去噪领域是一个很有价值的方向。下面是最近几年有关于使用深度学习来进行点云去噪的论文。一、2019年1、3D Point Cloud Denoising via Deep Neural Network based Local Surface Estimation.ICASSP 2019: 8553-8557.[paper]2、PointCleanNet: Learn
2021-04-28 18:29:28
2921
1
原创 Pointnet++分割代码解读
最近在看PointCONV，发现它在结构上借鉴并修改了Pointnet++的设计，之前偏懒没有仔细去看Pointnet++，现在只能回去看。Pointnet++整体结构：首先先看encoder部分，其中包含了两个SetAbstraction，每个SetAbstraction由三部分组成，包括采样层、分组层和Pointnet层。在图中画出了两个SetAbstraction模块，但是在代码中，具体任务作者使用了3~4个SetAbstraction模块，这是可以理解的，毕竟理论上越多，提取的特征越细致。采
2021-04-17 15:49:55
2098
原创 Total Denoising理解
最近读到了2019年的ICCV的关于点云无监督去噪的文章，分享一下自己的理解。二维与三维噪音对于二维图像来说，像素位置都是固定的，知识像素值会发生偏移，而对于三维点云图像来说，点的位置噪音是会改变位置，造成一个无序状态。如图2图2右面的干净点原本是均匀分布在表面的，受到噪音的影响，点不仅会在domain上改变，也会在range上改变。实际上这里是对比二维图像来说的，实际上的三维点云噪音是在三维空间的位置偏移。这种噪音论文叫做total noise。二维与三维去噪对于二维图像，domain是规则的，
2021-04-14 20:19:38
945
3
翻译 PointCleanNet翻译
用3D扫描仪或基于图像的重建技术获得的点云经常被大量的噪声和异常值破坏。 传统的点云去噪方法在很大程度上依赖于局部表面拟合(例如射流或MLS表面)、局部或非局部平均，或者基于底层噪声模型的统计假设。 相反，我们开发了一种简单的数据驱动方法，用于去除无序点云中的异常值和降低噪声。
2021-03-31 16:56:12
622
翻译 PCPnet文章简单翻译
在本文中，我们提出了一种基于深度学习的估计点云中局部三维形状性质的方法PCPNET。与大多数专注于全局或中层属性的技术相比，例如形状分类或语义标记，我们建议一种基于块的学习方法，在该方法中，每个点周围多个尺度的局部补丁以结构化的方式编码。在存在强噪声和多尺度特征的情况下，我们的方法特别适合估计局部形状的性质，如法线（无方向和无向）和曲率。
2021-03-31 10:47:44
1560
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人