点云
文章平均质量分 83
路&客
这个作者很懒,什么都没留下…
展开
-
map_merge_3d学习(一)
讲了map_merge3d论文中的部分名词概念以及算法原创 2023-10-27 11:38:17 · 146 阅读 · 1 评论 -
PVN3D: A Deep Point-wise 3D Keypoints Voting Network for 6DoF Pose Estimation学习笔记
在这项工作中,我们提出了一种新的数据驱动的鲁棒的6DoF目标姿态估计方法,从单个RGB-D图像。与以前直接回归姿势参数的方法不同,我们使用基于关键点的方法来处理这一具有挑战性的任务。具体地说,我们提出了一种深度霍夫投票网络来检测物体的3D关键点,然后以最小二乘拟合的方式估计出6D姿态参数。我们的方法是成功地在基于RGB的6DoF估计上工作的2D Keypoint方法的自然扩展。该算法充分利用了刚体目标的几何约束和额外的深度信息,便于网络学习和优化。通过大量的实验验证了3D-KeyPoint检测在6D位原创 2022-04-13 19:42:11 · 1408 阅读 · 0 评论 -
Normalized Object Coordinate Space for Category-Level 6D Object Pose and Size Estimation学习笔记
本文的目的是估计RGB-D图像中不可见对象实例的6D姿态和尺寸。与 “实例级” 6D姿势估计任务相反,我们的问题假设在训练或测试时间内没有确切的对象CAD模型可用。为了处理给定类别中的不同和不可见的对象实例,我们引入了归一化对象坐标空间(NOCS)——一个类别中所有可能的对象实例的共享规范表示。然后训练我们的基于区域的神经网络,以直接推断从观察到的像素到该共享对象表示(NOCS)的对应关系以及其他对象信息,如类别标签和实例掩码。这些预测可以与深度图相结合,以联合估计杂乱场景中多个对象的度量原创 2022-04-10 16:52:06 · 4246 阅读 · 0 评论 -
ShellNet: Efficient Point Cloud Convolutional Neural Networks using Concentric Shells Statistics学习笔记
以往的方法虽然能够在各种场景理解任务中达到较好的准确率,但训练速度往往较慢,网络结构复杂。本文针对这些问题,提出了一种有效的端到端置换不变卷积算法用于点云深度学习。我们名为ShellConv的简单而有效的卷积运算符使用同心球壳的统计数据来定义代表性特征并解决点序不规则性,从而允许对这些特征执行传统卷积。在ShellConv的基础上,我们进一步构建了一个高效的神经网络ShellNet,在保持较少层数的情况下,直接消耗接受野较大的点云。原创 2022-04-07 19:37:40 · 1096 阅读 · 0 评论 -
深度图像转化为点云
首先我们先知道什么是相机的焦距。摄影机或放映机的金属筒容纳了一组两边或一边有弧度(凸或凹)的透镜,组成一个综合镜头。从物体不同部分射出的光线,通过镜头之后,聚焦在底片的一个点上,使影像具有清晰的轮廓与真实的质感,这个点就叫焦点(focus)。所谓焦距(focal length),正是从镜头之镜片中间点到光线能清晰聚焦的那一点之间的距离 。 现在我们看看深度图像是如何转换为点云的:图1 :(原创 2022-03-10 19:20:18 · 6993 阅读 · 0 评论 -
6-PACK: Category-level 6D Pose Tracker with Anchor-Based Keypoints学习笔记
6-PACK: Category-level 6D Pose Tracker with Anchor-Based Keypoints原创 2022-02-03 16:41:31 · 2534 阅读 · 0 评论 -
PointWeb: Enhancing Local Neighborhood Features for Point Cloud Processing学习笔记
摘要 文章提出了可以用于从点云的局部邻域中提取上下文特征得新方法pointweb。与以往的工作不同,我们更加考虑局部点之间的联系,能够根据局部区域的特征来扩展每个点的特征,从而能更好地表示区域的特征。同时提出了一种新的自适应特征调整(AFA)模块,用于寻找点与点之间的交互作用。对于每个局部区域,构建一个影响矩阵,将影响矩阵映射用于后面特征差别的映射根据自适应学习的影响指标,每个特征被同一区域的其他特征拉或推。调整后的特征与区域信息进行了很好的编码,有利原创 2022-01-20 19:23:22 · 552 阅读 · 0 评论 -
PointConv: Deep Convolutional Networks on 3D Point Clouds学习笔记
PointConv: Deep Convolutional Networks on 3D Point CloudsWenxuan Wu, Zhongang Qi, Li Fuxin CORIS Institute, Oregon State University原创 2022-01-19 21:02:52 · 722 阅读 · 0 评论 -
PointSIFT: A SIFT-like Network Module for 3D Point Cloud Semantic Segmentation学习笔记
SIFT: 尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征,它在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量,此算法由 David Lowe在1999年所发表,2004年完善总结。原创 2021-12-03 13:45:15 · 739 阅读 · 0 评论 -
PointNet:Deep Learning on Point Sets for 3D Classification and Segmentation论文笔记(二)
我们可以利用max函数(对称函数)设计一个很简单的点云网络,如下:但是这样的网络有一个问题,就是每个点损失的特征太多了,输出的全局特征仅仅继承了三个坐标轴上最大的那个特征,因此我们不妨先将点云上的每一个点映射到一个高维的空间(例如1024维),目的是使得再次做MAX操作,损失的信息不会那么多。此时我们发现,当我们将点云的每个点先映射到一个冗余的高维空间后,再去进行max的对称函数操作,损失的特征就没那么多了。由此,就可以设计出这PointNet的雏形,称之为PointNet(vanilla):原创 2021-10-26 21:04:56 · 105 阅读 · 0 评论 -
PointNet:Deep Learning on Point Sets for 3D Classification and Segmentation论文笔记(一)
quantization artifacts:量化伪影,视频压缩过程中的量化噪声导致称作“伪影” 的特定视觉误差。变换模型是指根据待匹配图像与背景图像之间几何畸变的情况,所选择的能最佳拟合两幅图像之间变化的几何变换模型。可采用的变换模型有如下几种:刚性变换、仿射变换、透视变换和非线形变换等,如下图:如果一幅图像中的两点间的距离经变换到另一幅图像中后仍然保持不变,则这种变换称为刚体变换(Rigid Transform)。。刚体变换仅局限于平移、旋转和反转。如果一幅图像中的直线经过后映射到另一幅图像上仍原创 2021-09-26 17:16:31 · 331 阅读 · 0 评论