RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds阅读笔记

最新推荐文章于 2024-11-16 16:57:06 发布
最新推荐文章于 2024-11-16 16:57:06 发布
阅读量292 收藏
点赞数
文章标签： 机器学习 图像处理
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_44616158/article/details/129125522
版权
RandLA-Net是一种用于大规模点云语义分割的网络，通过随机采样和局部特征聚合模块处理高效率的点云数据。局部特征聚合包括局部空间编码、注意力池化和空洞残差块，分别用于捕捉局部几何模式、增强点特征和扩大感受野。代码实现中，这些模块被详细地用TensorFlow实现，包括寻找邻居点、相对位置编码和注意力分数计算等关键步骤。
摘要由CSDN通过智能技术生成

RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 论文阅读笔记

目录

一、 论文部分：

整体结构简单说就是：
RandLaNet= ⑴ random sampling + ⑵ local feature aggregator
第⑴部分，为了高效的对大的点云进行采样
第⑵部分，因为random sampling 会丢失一些点，以此做为增强
⑵ Local feature aggregator = ① local spatial encoding (LocSE) + ② attentive pooling + ③ dilated residual block
①有效的收集局部几何模式，因此增强整个网络有效的学习复杂的局部结构（编码），分为三步：finding neighbouring points; relative point position encoding; point feature augmentation。
②用来增强点p附近点的特征（聚集），分为两步：computing attention scores； weighted summation。
③大点云下采样，所以用来增强每一个点的感受野。这样输入的点云的几何细节可以观察到。

网络示意图：

最低0.47元/天 解锁文章
liang口三三
关注
Frustum PointNets for 3D Object Detection from RGB-D Data 原文 + 阅读笔记
friwang的博客
07-30 1179
Abstract In this work, we study 3D object detection from RGB-D data in both indoor and outdoor scenes. While previous methods focus on images or 3D voxels, often obscuring natural 3D patterns and inva...
CVPR 2021最全论文开放下载！附pdf下载链接！
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
3D点云分割系列5：RandLA-Net：3D点云的实时语义分割，随机降采样的重生
yumaomi的博客
04-07 2895
RandLA-Net主要是在实时的3D点云分割方面做了一些贡献和改进，通过采样策略的选择、局部点的特征聚合、残差块的链接、只使用MLP进行计算提升了点云分割模型的效率，同时大大降低了显存消耗。
论文阅读笔记《Semantic Feature Augmentation in Few-shot Learning》
深视
06-12 3150
核心思想   本文提出利用语义信息对数据进行扩充的方法，来解决小样本学习问题。之前采用数据增强或者说数据集扩充方式的小样本学习算法，通常都是在图像级别或者说特征空间里进行扩充，但本文利用编码TriNet将特征空间映射到语义空间中，并在此进行数据增强，然后利用解码TriNet将扩充后的语义信息还原到特征空间，再进行分类。整个算法的流程如下图所示   首先，输入图像IiI_iIi​会经过一个采用ResNet-18结构的特征提取网络fΩf_{\Omega}fΩ​，该特征提取网络包含四个残差块，输出的特征图为fl
RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 学习笔记
weixin_37804469的博客
05-11 764
Abstract 我们研究了大规模三维点云的有效语义分割问题。通过依赖昂贵的采样技术或计算繁重的预处理/后处理步骤，现在大多数现有的方法只能在小规模点云上进行训练和操作。在本文中，我们介绍了一种高效、轻量级的神经结构RandLA-Net，用于直接推断大规模点云的每点语义。我们的方法的关键是使用随机点抽样而不是更复杂的点选择方法。尽管随机抽样具有很高的计算效率和内存效率，但它也会随机地丢弃一些关键特性（flaw）。为了克服这个问题，我们引入了一种新的局部特征聚合模块来逐步增加每个3D点的接受域，从而有效地保留
【 论文笔记】大规模点云分割 RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds CVPR 2020
phy12321的博客
08-23 2572
牛津大学，国防科技大学 代码：地址 更加详细的论文翻译：地址 本文提出轻量级高效的大规模点云语义分割算法：RandLA-Net。其单次可处理10610^6106个点，速度相较于基于图的SPG方法快了200倍，且内存占用较小，语义分割精度SOTA。 现有方法均不能处理大规模的点云数据，局限在较小规模的场景和点云数据上，作者认为主要原因有： 点云采样方法计算量大，内存占用高（这个是主因，除了随机采样，常用的采样算法都太慢了） 点云局部特征学习器均依赖于kernelisation或graph constru.
阅读笔记--[CVPR2020] RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds
qq_37109317的博客
05-07 61
Abstract 研究了大规模三维点云的有效语义分割问题。 由于依赖昂贵的采样技术和繁重的预处理/后处理步骤，大多数现有方法只能在小规模的点云上进行训练和操作。 本文提出了RandLA-Net，一个高效和轻量级的神经体系结构，用于直接推断大规模点云的点语义。 方法的关键是使用随机点采样，而不是更复杂的点选择方法，并且为了克服随机点采样可能会丢失一些关键特征的问题，文中引入了一种新的局部特征聚合...
RandLA-Net阅读笔记-cvpr2020
自动驾驶行业学习、交流
09-09 636
RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds Qingyong Hu1, Bo Yang1, Linhai Xie1, Stefano Rosa1, Yulan Guo2,3,* Zhihua Wang1, Niki Trigoni1, Andrew Markham1 1University of Oxford, 2Sun Yat-sen University, 3National University of
CVPR2020 RandLA-Net 代码阅读
江小举的博客
03-25 9709
论文：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 代码：Github 记录一下RandLANet代码的阅读笔记，如有出错欢迎讨论。 一、RandLA-Net网络结构 下图这个是本地聚合模块 网络架构的详细信息。整个网络就是由本地聚合模块堆叠而成的。 二、项目结构 整个项目文件非常简洁。 ...
计算机视觉论文-2021-07-07
中科院AI算法工程师的博客
07-08 1903
本专栏是计算机视觉方向论文收集积累，时间：2021年7月7日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:Morphological Classification of Galaxies in S-PLUS Using An Ensemble of Convolutional Networks AUTHORS: N. M. CARDOSO...
计算机视觉论文-2021-04-06
中科院AI算法工程师的博客
04-06 3334
本专栏是计算机视觉方向论文收集积累，时间：2021年4月6日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:IDOL-Net: An Interactive Dual-Domain Parallel Network for CT Metal Artifact Reduction AUTHORS: TAO WANG et. al. CATEG...
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
三维扫描系列 点云绪论
我们都是码农
03-15 1909
本文是学习肖勇大神的点云课程总结的笔记，仅供个人学习使用。 肖勇 Mapping & Localization Technical Specialist @ Lucid Motors，主要从事无人车地 图和定位算法研发。先后参与 Lyft、百度无人车 项目开发。密歇根大学土木工程博士，中科院遥 感与数字地球研究所地图学硕士，武汉大学测绘 工程学士。 点云数据及获取 定义 点云：三维点的数据集合 属性 三维坐标 强度 颜色 时间戳 分类 点云组织形式： organize
机器学习（基础3）
tang1389764的博客
11-13 561
获取数据、数据处理、特征工程后，就可以交给预估器进行机器学习，流程和常用API如下。
机器学习—Additional Layer Types
yn3535_的博客
11-12 378
如果你在神经网络中有多个卷积层，有时这叫卷积神经网络，为了说明卷积层，使用一维图像输入而不是二维，使用EKG，所以如果你在胸口放两个电极，你将记录如下所示的电压，与你的心跳相对应，实际上是在读取心电图信号，这些信号看起来像这样，试图诊断，如果病人有心脏问题，所以心电图信号有一个数字列表，对应于这个表面的高度，在不同的时间点，所以可能会有100个数字对应于这条曲线的高度，在100个不同的时间点，给出这个时间序列的学习任务，给这个心电图信号来分类，说这个病人是否有心脏病或一些可诊断的心脏病，以下是。
机器学习 笔记
qq_71751106的博客
11-12 346
data1=model.fit_transform(data) #使用API。max 分别是每种特征中的最小值和最大值，而 ��是当前特征值，# 导入jieba用于断词中文字符串。#sparse是否转换成三元组形式。data=[], #传入字典数据。scaled 是归一化后的特征值。
机器学习—模型评估
yn3535_的博客
11-13 696
我们要做的是在训练集上训练模型的参数，在这个70%的数据上，然后我们将在这个测试集中用符号来测试这个性能，用(x1,y1)(x2,y2),与前面相同，通过x表示训练示例所以在这个小例子中，我们会有七个训练例子，并引入一个新的符号，M训练是训练实例的数量，在这个小数据集中是七个，所以下标只是强调如果我们看数据的训练集部分，对于测试集，我们将使用符号X一个下标测试来表示第一个测试示例，m是测试示例的个数，在本例中是三个，大部分数据都进入了训练集，一小部分进入测试集。的成本函数J，所以这是通常的。
机器学习、深度学习面试知识点汇总
11-12 405
本人在面试中整理的资料和文字，主要针对机器学习、深度学习面试八股做浅显的总结，共20余篇，大部分来源于ChatGPT，欢迎各位指正。 文章系列图像使用动漫《星游记》插图。
机器学习 AdaBoost 算法
最新发布
hawk2014bj的博客
11-16 155
AdaBoost 分类器是一种多个弱分类器的组合，AdaBoost、SVM、逻辑回归各自适应不同的场景，下表列出了各个模型不同的特性，可以根据自己的业务场景进行选择。标准AdaBoost逻辑回归支持向量机 (SVM)噪声敏感性高（容易对噪声过拟合）低中等（软间隔有所帮助）非线性能力使用决策树效果好差（线性）非常好（使用非线性核）计算成本中等到高低使用非线性核时高可解释性低高中等（线性 SVM）离群值敏感性高中等低（使用软间隔）
randla-net: efficient semantic segmentation of large-scale point clouds
06-28
randla-net是一种高效的大规模点云语义分割方法。它采用了一种新颖的点云降采样方法，可以在保持点云形状信息的同时大大减少点云数量。此外，它还使用了一种基于局部区域的特征提取方法，可以有效地捕捉点云中的局部...
评论 1
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