修理费用250-CSDN博客

原创 USIP中的KITTI detector代码阅读

一、数据准备（KITTI数据集）这部分代码在USIP/data/kitti_detector_loader.py中。1.1 数据读取首先读取数据的sequence列表，文件路径列表，每个sequence中的scan数量，scans的前项和。self.seq_list, self.folder_list, self.sample_num_list,self.accumulated_sample_num_list = make_dataset_kitti(root, mode, opt)其中

2021-11-15 17:22:32 1304

原创 SO-Net中的index_max的功能及具体实现

一、背景在SO-Net的分类模型的Encoder部分，first_pointnet给出特征向量后，有一个求索引的操作： M = node.size()[2] with torch.cuda.device(self.first_pn_out.get_device()): gather_index = index_max.forward_cuda(self.first_pn_out.detach(),

2021-11-04 23:00:24 943 1

原创 SO-Net中分类器(classifier)的实现过程

一、数据准备该部分代码位于./data/modelnet_shrec_loader.py中。读取的数据为pc_np（点的坐标），surface_normal_np（法向量），som_node_np（som节点坐标）和class_id（类别）。然后对数据增强，包括旋转、微扰、尺度变换和位移。返回点的坐标、法向量、类别、som节点和每个som节点在som节点中的k个近邻点的索引。二、模型该部分代码位于./models/classifier.py。主要包括两个部分：编码网络和分类网络。2.1编码

2021-11-03 21:55:42 548

原创 SO-Net中SOM的实现

一、目的 SO-Net在点云分层特征提取中显式地对点云空间分布进行建模。给定包含NNN个点的点云P={pi∈R3,i=0,1,...,N−1}P=\{p_i \in \mathbb R^3,i=0,1,...,N-1\}P={pi∈R3,i=0,1,...,N−1}，SO-Net将其处理成MMM个SOMSOMSOM节点S={sj∈R3,j=0,1,...,M−1}S=\{s_j \in \mathbb R_3,j=0,1,...,M-1\}S={sj∈R3,j=0,1,...,M−1}。原始的SO

2021-11-02 19:48:10 176

原创 SuperGlue中的最优传输算法详解

一、问题背景在SuperGlue中，作者将两图像中寻找对应特征点的问题看做是一个传输问题，即找到一个分配矩阵PPP，使得两个图像的特征集合AAA和BBB中的点尽可能多的正确对应。这与求解最优传输问题的过程不谋而合。二、最优传输问题最优传输问题是以最小代价将一种概率分布变换成另一种概率分布。在图像特征点匹配的例子中，就是将第一幅图像的特征点与第二幅图像的特征点进行关联，使得正确关联的数量尽可能地多。可能存在的方案是：U(r,c)={P∈R>0m×n∣P1M=r,P1N=c}(1)U(\

2021-11-01 17:35:45 3513 2

原创 C++中STL常用的查找算法binary_search关于数组是降序的记录

一、问题的提出最近在B站学习C++中的STL常用查找算法，常用的有find(), find_if(), adjacnet_find()和binary_search()。重点记录一下使用binary_search()的问题。在视频中，老师给了一个例子是对于一个升序序列，利用二分查找binary_search()查找某一个数是否存在。#include<iostream>#include<vector>#include<algorithm>using nam

2021-10-20 20:26:45 404 1

原创背包问题（一）：01背包问题

1.问题有NNN件物品和一个容量为VVV的背包。放入第iii件物品消耗容量为viv_ivi，得到的价值为wiw_iwi。求背包总价值最大值。2.基本思路问题特点：每个特点仅有一件，可以选择放或不放用子问题定义状态：F[i,v]F[i,v]F[i,v]表示前iii个物品放入一个容量为vvv的背包可以获得的最大价值。状态转移方程为：F[i,v]=max{F[i−1,v],F[i−1,v−Ci]+Wi}(1)F[i,v]=max\{F[i-1,v],F[i-1,v-C_i]+W_i\}\

2021-09-23 18:18:29 85

原创点云语义分割论文阅读笔记(一)：Scene Context Based Semantic Segmentation for 3D LiDAR Data in Dynamic Scene

摘要：本文提出了一种基于图神经网络结合场景上下文的、用于3D激光雷达语义分割的方法。这个问题被定义为建立图表示中心分割与其邻居的拓扑关系，并推断中心分割的语义标签。图的节点是从距离图像的分割中生成的，适用于稠密和稀疏的点云。边的权重用于评估中心节点和邻居的相关性，由网络自动编码，因此邻居节点的数量就不再是一个敏感的参数。本系统由分割生成、图生成、边权重估计、节点更新和节点预测组成。动态场景数据集的定量评估表明该方法相比于unary CNN提升了8%，比常规的CNN提升了17%。一、...

2021-08-25 15:15:56 195

原创 C++ STL中Map按值排序

将map中的元素用vector<pair<type1,type2>>的形式存储，利用vector可以自定义排序方式，定义排序操作，最后在转化成map形式。例如：有一个map，其元素为形如name：score的形式，现要求按分数排序。在这里插入代码片...

2021-08-11 21:31:59 100

原创论文阅读笔记（二）：USIP:Unsupervised Stable Interest Point Detection from 3D Point Clouds

摘要：本文提出了USIP检测器：一种可以在不需要训练数据真值的任意变换的3D点云中检测重复率高、定位准确的关键点的无监督稳定特征点检测器。USIP检测器由一个特征生成网络组成，该网络可以从输入的点云和任意变换后的点云中学习稳定的关键点。本文提供了退化分析和解决方法。我们使用概率倒角距离来最小化从训练点云对中检测到的关键点之间的距离，以提高重复性和定位精度。在包含Lidar、RGB-D和CAD模型的仿真和实际的3D点云数据集上进行了大量的可重复性测试，实验结果表明USIP检测器明显优于当前的现存的手工方

2021-07-22 15:25:39 628

原创旋转变换之间的转换及python实现

一、欧拉角到旋转矩阵公式：Rx=[1000cos(r)−sin(r)0sin(r)cos(r)]R_x=\begin{bmatrix}1&0&0 \\0&cos(r)&-sin(r) \\0&sin(r)&cos(r)\end{bmatrix}Rx=⎣⎡1000cos(r)sin(r)0−sin(r)cos(r)⎦⎤Ry=[cos(y)0sin(y)010−sin(y)0cos(y)]R_y=\begin{bmatrix}cos

2021-07-09 17:41:39 235

原创论文阅读笔记(一)3DFeat-Net：Weakly Supervised Local 3D Features for Point Cloud Registration

文章链接：3DFeat-Net：Weakly Supervised Local 3D Features for Point Cloud Registration代码地址：[github]摘要：本文提出了3D Feat-Net，它通过弱监督学习用于点云匹配的3D特征及其描述子。不同于现有研究，我们不需要人工标注的匹配点簇。相反地，我们利用对齐和注意力机制从GPS/INS标记的三维点云中学习特征的对应关系，而不是明确地指定（对应关系）。我们创建了训练和基准户外激光雷达数据集，实验表明3DFeat网络在这些重

2021-07-06 15:56:43 1106

原创 pytorch中常见函数(方法)维度问题

记录一些常见的函数(方法)的维度问题，方便日后查找。1.torch.sum()import torcha = torch.randn(2, 3, 4)b = torch.sum(a, dim=0)print("a=", a)print("a_shape=", a.shape)print("b=", b)print("b_shape=", b.shape)

2021-06-15 17:25:38 259

qq_43173635的博客