- 博客(13)
- 收藏
- 关注
原创 周报20240531
训练的时候花了比较长的时间,测试的时间比较快,所以多跑了几组数据。(6)自监督预训练(Self-supervised Pre-training):PointMamba支持自监督预训练,通过随机选择空间填充曲线进行序列化,并随机遮蔽一定比例的点标记,然后使用Mamba自编码器进行特征提取和重建。(3)点标记器(Point Tokenizer):利用KNN(K-最近邻)算法选择每个关键点的k个最近邻点,形成点补丁,并使用PointNet(点嵌入层)将局部补丁映射到特征空间,生成序列化的点标记。
2024-05-30 22:04:43
942
原创 20240425周报
LPFP模块是文章中提出的一种中间模块,用于连接基础网络(如PointNet++和Point Transformer)。LPFP模块有两个主要功能:特征信息传递:LPFP模块作为一个桥梁,将前一个网络层的特征信息传递到下一个网络层,从而实现深层次的特征提取。真实监督信号接口:LPFP模块还提供了一个真实监督信号的接口,用于避免浅层网络的过拟合问题。
2024-04-25 21:57:47
877
1
原创 周报20240418
受到在0.1%标注的PointCT论文成功的复现,所以想重新尝试去复现SQN这篇论文,这篇论文的数据量没有很大,之前是由于在安装环境的时候遇到一些困难就被迫终止了,现在是想再次尝试去跑通,因为在论文结构方面也研究了很久,看看代码复现能不能产出一些想法,后续看看能不能出点成果,这两篇论文都是对于大规模点云的弱监督语义分割,想在这里多运行研究实验,对我撰写毕业论文和跑实验代码会有一定的帮助。具体来说,对于每个有标签的点,网络会预测其所属的类别,然后损失函数计算预测类别分布与真实类别(标签)之间的交叉熵。
2024-04-18 21:50:57
817
1
原创 PointCT论文实验复现结果
这里是训练出来的模型数据,十三个类别的iou和accuracy,其中在class_3中的指标是0。目前是在s3dis数据集进行了复现,在其他数据集上还没复现,现就对该数据集上的结果进行分析。test使用的是S3dis中的area-5场景。标黄的则是更优的数据,由此看出,还是在很多类别上不如论文中的指标,但相差不大。论文中的mIou是0.683,我跑出来的则是0.6626,也是略低。在跑了一次的情况下,得出的实验数据为(也是用的0.1%的数据设置)这里是论文中给出的各个类别的指标。
2024-04-11 22:12:03
266
2
原创 周报——20240322
实验验证:在S3DIS、ScanNet-V2和STPLS3D等基准数据集上的实验结果证明了PointCT方法的卓越性能,特别是在室内和真实世界点云上,与现有的最先进方法相比,无论是在室内还是真实世界点云上。posij:通过k近邻算法后,邻点和中心点的各种指标,来进行位置编码,主要的作用就是这些几何特征被整合到注意力权重中,以增强局部特征并保留全局特征,从而在弱监督设置中提供更全面的空间信息。位置编码模块:在弱监督的点云分割中引入了位置编码模块,专注于提取点的不同几何特征,以提高模型的空间推理能力。
2024-03-21 18:01:07
1016
1
原创 周报——2024年3月14日
在Siamese Branch中,是对比原始点云的特征和增强后的点云特征之间的loss,通过计算loss可以不断调整输入及网络结构,减少loss。**奇数层(Odd Layers):**在这一层中,3D编码器产生的特征标记(包括类别标记和超体素标记)作为查询(queries),而2D编码器产生的特征标记作为键值对(key-value pairs)。**交叉注意力(Cross-Attention):**在每个交错层中,通过缩放点积注意力机制计算交叉注意力矩阵,该矩阵存储了3D和2D标记之间的一致性。
2024-03-15 09:18:39
744
1
原创 sqn代码理解
在主函数中, 使用argparse库解析命令行参数,如GPU编号、模式(训练、测试或可视化)、标注点百分比等。这里说明了我们的一个实验代码运行所需要具备的条件,包括python、cuda的版本,以及在Ubuntu的下载版本。版本建议严格按照所给出的来使用,以防后期在跑实验的过程中出现其他因版本而出现的问题。这里我想要集中去理解下main_Semantic3D.py(因为后续可能会需要进行修改创新),放入部分主要代码。运行.py文件,训练模式,使用gpu 0,用0.1%标注的点。
2024-03-07 20:57:33
413
1
原创 周报——20240301
1.重新回顾nerf这篇论文的结构。2.学习师兄在IEEE中发表的论文——Semantic Segmentation of Point Cloud With Novel3.尝试与代码结合起来理解,复现实验。
2024-02-29 12:16:58
634
原创 在大规模点云中,常用数据集的了解及对数据处理的模型算法
下一步工作就是选取和自己实验相关的主要数据集进行详细理解,以及上面提到的大规模点云数据集常用的算法模型运用。挑选几篇具有代表性的实验和论文结构进行分析,包括在各种数据集上的操作,以及如何对比实验,与基准进行参照对比,得出结论。
2024-02-21 22:30:07
1199
原创 【1月30日至2月6日组会汇报学习内容汇总】
S3DIS( Stanford Large-scale 3D Indoor Spaces)数据集是由斯坦福大学创建的一个大规模室内场景3D点云数据集,主要用于室内场景的语义分割研究。这个数据集包含了多个室内环境的3D扫描,如办公室、公寓、教室等,每个场景都包含了详细的点云数据和对应的语义标签。多样性:数据集涵盖了多种类型的室内环境,包括住宅、办公室、教室等,提供了丰富的场景多样性。大规模:数据集包含了大量的点云数据,每个场景的点云数量可达数百万甚至更多,这为训练深度学习模型提供了充足的数据。高精度。
2024-02-05 21:48:16
891
原创 杰普实训日志第一天学习内容
杰普实习日志 第一天学习内容 主讲人:李春雨 主讲人原创内容,https://gitee.com/plusyu/shixun_hdjd/commit/7fd126f6bacfec6b27357a22bfad4afb1a2ad4b31 主要学习内容:2 1) Java开发3 2) WebUI开发4 5 2. 全国疫情可视化平台6 7 3. 当前开发架构8 合格软件工程师基本素质9 1. 熟悉linux操作系统10 2. 能够使用终端
2020-08-25 21:50:17
715
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