Learning to Sample

最新推荐文章于 2024-07-15 10:12:33 发布
最新推荐文章于 2024-07-15 10:12:33 发布
阅读量1.5k 收藏 6
点赞数 1
分类专栏： 点云论文
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/ssq183/article/details/102687804
版权
该博客介绍了3D数据表示方法，尤其是点云的高效表示优势。讨论了现有非学习采样方法，并提出了一种名为S-NET的学习采样方法。S-NET通过预训练的任务网络和采样损失函数，旨在生成分布均匀且接近原始点云的采样点。实验结果显示，这种方法在分类、检索和重建任务上优于随机采样和最远点采样。
摘要由CSDN通过智能技术生成

1.Background

3D数据可以用点云、multi-view img、体素网格来表示，点云相较于体素网格仅包含了3D 物体的表面信息，是一种更高效的表示方法。然而因为点云中包含大量的点，处理起来很难。于是想办法减少点的数量很有必要，比如，可以减少功耗、计算量、计算加载。

2.related work

随机采样、最远点采样等其他方法都是非学习的预定规则

3.Method

Problem statement

  • 输入: 点云（即n个点的三维坐标），采样点的个数k
  • 输出: k*3的矩阵
  • 大致方法流程：如下图
    在这里插入图片描述
    第一步：由n个点预训练Tasknetwork，固定Tasknetwork的参数；
    第二步：训练S-NET。由S-NET得到一些点，论文中称为generated points，将generated points输入Task network。设计两个损失，一个是taskloss，一个是sampling loss损失。（论文中关于sampling loss的解释：encourages each of the generated points to be close to one of the input points and forces the generated points to spread
最低0.47元/天 解锁文章
Anniessq
关注
专栏目录
DySample：Learning to Upsample by Learning to Sample——关键字：上采样卷积
m0_47867638的博客
04-30 1387
论文：https://arxiv.org/pdf/2308.15085我们提出了DySample，一个超轻量级且高效的动态上采样器。虽然最近的基于内核的动态上采样器，如CARAFE、FADE和SAPA，取得了令人印象深刻的性能提升，但它们引入了大量的计算量，这主要是由于耗时的动态卷积以及用于生成动态内核的附加子网络。此外，FADE和SAPA对高分辨率特征指导的需求在某种程度上限制了它们的应用场景。
Learning to Compare: Relation Network for Few-Shot Learning
wohoo~
07-27 1091
Relation Network
[Paper Note] Learning to Reweight Examples for Robust Deep Learning
Jemary_的博客
11-20 4133
Learning to Reweight Examples for Robust Deep Learning PAPER CODE Abstract 面对样本不平衡问题和标签噪声等问题，之前是通过regularizers或者reweight算法，但是需要不断调整超参取得较好的效果。本文提出了meta-learning的算法，基于梯度方向调整权重。具体做法是需要保证获得一个足够干净的小样本数据集，每...
learning_to_sample:一种针对点云的学习采样方法（CVPR 2019）
05-01
学习样品 由特拉维夫大学的Oren Dovrat，Itai Lang和Shai Avidan创建。 介绍 我们提出了一种针对点云的学习型采样方法。 请参阅我们的。 处理大点云是一项艰巨的任务。 因此，通常会将数据采样到可以更轻松地处理的大小。 问题是如何对数据进行采样？ 一种流行的采样技术是最远点采样（FPS）。 但是，FPS对于下游应用程序是不可知的（分类，检索等）。 基本假设似乎是，如FPS所做的那样，最小化最远的点距离可以很好地替代其他目标函数。 我们表明，最好学习如何进行采样。 为此，我们提出了一个深度网络来简化3D点云。 称为S-NET的网络采用一个点云，并生成针对特定任务进行了优化的较小的点云。 不能保证简化的点云是原始点云的子集。 因此，我们在后期处理步骤中将其与原始点的子集进行匹配。 通过在两个标准数据集上进行实验，我们将我们的方法与FPS进行了对比，并针对各种应用显示了
Learning to Upsample by Learning to Sample论文翻译
qq_69854365的博客
07-15 1130
我们提出了DySample，一个超轻量且有效的动态上采样器。最近基于卷积核的动态上采样器（如CARAFE、FADE和SAPA）展现出了令人瞩目的性能提升，但它们引入了大量的工作量，主要是由于耗时的动态卷积和用于生成动态卷积核的额外子网络。此外，FADE和SAPA对高分辨率特征引导的需求在一定程度上限制了它们的应用场景。为了解决这些问题，我们绕过动态卷积，从点采样的角度制定上采样方法，这种方法更加资源高效，并且可以很容易地在PyTorch的标准内置函数中实现。
点云识别-Learning to Sample
alfred_torres的博客
12-03 2600
Learning to Sample 2019 CVPR 摘要 原文 译文 Processing large point clouds is a challenging task. Therefore, the data is often sampled to a size that can be processed more easily. 处理大规模点云是一项具有挑战性的任务，...
[7]2019-ICDM-Learning to Sample:an Active Learning Framework 论文笔记
weixin_40680322的博客
09-22 332
2019−ICDM2019-ICDM2019−ICDM 一. 摘要（Abstract） 1. 动机（Motivation） 在AL中使用Meta-learning是学习最好的AL策略的潮流，然而需要大量的训练数据（与AL的本意相违背），如果数据量小了将导致表现性能差（如：不稳定性和过拟合）。 2. 贡献（Contribution） 提出LTS（Learning To Sample）框架（sampling model GGG+boosting model FFF：迭代中互相优化）。 该框架在优化过程中.
动态上采样器：Learning to Upsample by Learning to Sample
AI浩
04-28 3439
我们再次回到上采样的本质，即点采样，来建模几何信息。在PyTorch的内置函数的基础上，我们首先提供一个简单的实现，以证明基于采样的动态上采样的可行性（图2(a)）。网格采样。给定一个大小为C×H1×W1C×H1​×W1​的特征图XX，以及一个大小为2×H2×W22×H2​×W2​的采样集SS，其中第一维的2表示xxx和yyy坐标。grid_sample函数使用SS中的位置对假设的双线性插值XX。
learningsample:遵循任何类型教程的样本repro
03-19
#MyApp THis是我通过实践学习的地方。这确实包含了我从指南中学到的示例学习成果。
YOLOv9改进-上采样模块更改
2301_76438451的博客
03-20 1373
尽管最近的基于内核的动态上采样器如CARAFE、FADE和SAPA取得了令人印象深刻的性能提升，但它们引入了大量的工作量，主要是由于时间消耗大的动态卷积和用于生成动态内核的额外子网络。此外，FADE和SAPA对高分辨率特征的需求在一定程度上限制了它们的应用场景。为了解决这些问题，研究人员绕过了动态卷积，并从点采样的角度来表述上采样，这更加节省资源并可以用PyTorch中的标准内置函数轻松实现。
YOLOv9/YOLOv8算法改进【NO.116】 使用ASF-YOLO中的Attentional Scale Sequence Fusion对ICCV2023 DySample进行二次创新
m0_70388905的博客
04-07 1529
二次创新
图像视频去噪论文Learning Deformable Kernels for Image and Video Denoising阅读笔记
import_torch_as_tf
10-12 1577
论文链接：1904.06903.pdf (arxiv.org) 论文来源：TIP2020 作者：商汤 Abstract 大多数经典的去噪方法都是通过选择和平均噪声输入中的像素来恢复清晰的结果。我们建议使用深层神经网络明确地学习这个过程，而不是依赖手工制作的选择和平均策略。具体来说，我们提出了可变形二维核用于图像去噪，其中采样位置和核权重都是学习的。该核能够自然地适应图像结构，并能有效地减少过平滑伪影。此外，我们还开发了用于视频去噪的三维可变形核，以便在时空空间中更有效地采样像素。我们的方法能够解决动
保存点云数据_《三维点云处理》学习笔记（2）：滤波器
weixin_39812039的博客
01-13 313
一、前言点云中往往有很多噪声，他会影响我们的分析，所以我们需要设计一些滤波器（filter）来删除噪声。如下图左边黑色圈内，可以看到很多点，我们实际空间中并没有这些点，所以称他们为噪声。删除掉噪声后，如下图右边所示，看起来干净了很多，也方便我们对点云进行分析，如平面估计，分类，实例分割等等。code:https://github.com/QinZiwen/analyze_pointcloud二、F...
点云深蓝学院第一章（下）
Axiaoxiaoshuai的博客
04-28 424
滤波的范围非常的广泛，像噪声去除，降采样，上采样，平滑等等都可以叫做滤波。 上采样是一个比较罕见的东西，上采样就是没有的东西我把他创造出来，就是创造信息，其实是不可以创造信息的，只是说经过已有的信息，怎么去估算未知的地方可能的信息。如上图，就是对激光雷达的图进行了一个上采样，最上边的一层是吧激光雷达的图投影到了图像上，可以看到一些很小的很稀疏的点，但是他没有办法把每一个像素都填满，比如我们在做多...
Learning to Learn: Meta-Critic Networks for Sample Efficient Learning||论文讲解
VIEO
05-25 2410
元学习论文总结||小样本学习论文总结 2017-2019年计算机视觉顶会文章收录 AAAI2017-2019 CVPR2017-2019 ECCV2018 ICCV2017-2019 ICLR2017-2019 NIPS2017-2019 转载：https://zhuanlan.zhihu.com/p/27629294 文章：https://arxiv.org/abs/17...
基于JavaScript和HTML的前端私教课程设计源码
最新发布
09-24
该项目是一个基于JavaScript和HTML的前端私教课程设计源码，主要使用JavaScript语言开发。项目共包含54个文件，其中33个JavaScript文件，7个HTML文件，6个Markdown文件，4个Java文件，2个PDF文件，1个JSON文件，1个YAML文件。该课程设计旨在提供高效的前端学习资源。
嵌入式学习之光照不足报警检测电路.zip
09-24
嵌入式学习，电子信息技术
What are the basic principles for using limited sample data to learn a learning machine and evaluate its performance?
04-13
The basic principles for using limited sample data to learn a learning machine and evaluate its performance include understanding the statistical significance of the data, selecting appropriate algorithms and models for the data, taking measures to avoid overfitting, and using cross-validation techniques to validate the results. It is also important to consider the bias-variance trade-off and to properly normalize and preprocess the data before training the model.
评论 2
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