【三维深度学习】PointNet++（三）：多尺度分组MSG详解

已于 2023-05-12 09:17:47 修改
阅读量8k 收藏 21
点赞数 4
分类专栏： Python三维点云实战宝典 文章标签： PointNet++ PointNet2 PointNet msg python
于 2022-05-07 12:57:34 首次发布
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/suiyingy/article/details/124627140
版权
本文详细介绍了PointNet++的多尺度分组（MSG）策略，旨在解决点云密度影响特征提取的问题。MSG通过设置多个分组半径，在不同尺度上进行特征提取，以增强模型的表达能力。内容涵盖代码环境、数据介绍、SA模块、模型结构、损失函数及训练评估程序。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文为博主原创文章，未经博主允许不得转载。
本文为专栏《python三维点云从基础到深度学习》系列文章，地址为“https://blog.csdn.net/suiyingy/article/details/124017716”。

        上 一节详细介绍了PointNet++点云分类。PointNet++通过SA模块对原始点云进行采样分组，如果只是采用单一半径尺度和固定采样点数，那么分组内的点云会受点云密度的影响。如果点云过于稀疏，那么小半径尺寸无法将稀疏的点云进行分组，从而无法提取到稀疏点云的特征。在单一尺度分组的PointNet++结构中，第一层的SA分组半径最小，后续SA层都是基于前一层进行的，那么如果第一层没有提取到特征，那么后续也无法提取到相应稀疏点云的特征。为了解决这个问题，PointNet++作者提出了多尺度分组策略（Multi-Scale Group, MSG），本文将介绍MSG的实现方式。GitHub地址为GitHub - y

了解本专栏 订阅专栏 解锁全文 超级会员免费看
PointNet++：多尺度分组MSG详解 点云
CwzCode的博客
09-27 517
PointNet++（PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space）是一种用于点云数据的深度学习方法，它通过对点云进行多尺度分组操作，结合多尺度特征提取，实现了对点云数据的高效建模和特征学习。通过以上三个步骤，MSG操作能够提取点云数据的多尺度特征表示。在点云数据的处理中，PointNet++采用了一种递归的思想，将点云数据从全局到局部进行分层处理，以捕捉点云数据的细节和上下文信息。
论文阅读笔记 | 三维目标检测——PointNet++
Clichong
11-15 2205
PointNet作为直接以点云格式数据为输入的开创性网络，还存在需要改进的地方。曾经提及到，PointNet考虑到了全局性特征的方向拼接处理，但是忽视了点云局部特征的捕获。以CNN为例，通过递归性的卷积提取图像的局部特征，以实现在深层次中获得较大的感受野。那么，对于点云数据来说，也可以进行递归性提取局部特征，捕获点云的细粒度特征。为此PointNet++的主要思想就是，对点云继续局部划分然后进行局部性特征提取，随后再进行局部划分点云数据再对每个部分进行特征提取，从而实现层级性的特征提取操作。不断重复这个过程
基于PyTorch实现PointNet++
zhulf0804的博客
09-11 7304
关于点云的深度学习表示 PointNet / PointNet++是基于深度学习方法的点云表征的里程碑式的工作, 都出自于斯坦福大学的Charles R. Qi, 这两个工作分别收录于CVPR 2017和NIPS 2017. 最近，我在读一些关于点云配准和点云表示学习的深度学习论文，了解到目前点云的深度表示/学习有几个火热的研究方向: 基于point wise + MLP提取特征，典型代表是PointNet++; 基于Pseudo Grid和常规卷积提取特征，典型代表是ICCV 2019的工作KPConv
MSGNet：多尺度融合相关性学习的时间序列预测模型
最新发布
m0_59235245的博客
03-25 1034
时间序列预测在科学、政策制定、精算和销售等多个领域具有重要价值。其核心在于识别数据中的隐藏模式，无论是未来的还是隐藏的，这些模式通常可以从过去的观察中揭示出来。时间序列预测涉及对随时间收集的数据点进行分析和预测，为股票价格、天气状况或客户行为等变量提供洞察。在时间序列预测领域，存在两个相互关联的领域：序列内相关建模和序列间相关建模。序列内相关建模基于特定时间序列内的模式预测未来值，而序列间相关建模则探讨多个时间序列之间的关系和依赖性。近年来，深度学习模型在时间序列预测中取得了突破性进展。
3D点云分割系列2：PointNet++:从PointNet到点云多尺度特征处理
yumaomi的博客
04-03 1709
PointNet++在PointNet的基础上更新了多尺度的特征处理操作。提出了两种set abstraction策略，能够根据不同点云密度智能地聚合多尺度特征，对点云密度的输入具有更强的鲁棒性。
MSG-Net:深度多尺度制导的深度图超分辨率，ECCV 2016
05-28
MSG-Net（多尺度指导网络） 多尺度制导网络 该存储库（ ）是MSG-Net的正式版本，适用于我们在ECCV16中进行的。 它带有四个训练有素的网络（x2，x4，x8和x16），一个带Kong的RGBD训练集和三个带Kong的RGBD测试集（A，B和C）。 据我们所知，MSG-Net是FIRST卷积神经网络，它尝试在多尺度引导下从相应的高分辨率RGB图像上对深度图像进行升采样。 还提供了MS-Net的另一个（无多尺度指导）。 有关更多详细信息，请访问。 许可和引文 该软件和相关的文档文件（以下简称“软件”），以及包括但不限于附图的研究论文（深度多尺度制导的深度图超分辨率）以及表格（以下简称“纸张”）均已提供给学术界仅用于研究目的，无任何担保。 任何商业用途都必须征得我的同意。 在您的工作中使用软件或论文的任何部分时，请引用以下论文 @InProceedings{hui16
PointNet++
DARLINGB的博客
02-21 852
PointNet++
PointNet++多尺度分类训练log文件包含模型
qq_34792438的博客
11-29 2619
PointNet++单尺度分类训练log文件包含模型简单介绍模型测试结果 简单介绍 PointNet++分类模型分为单尺度和多尺度两种，具体模型的详解已有大佬做的相当好，这里不再赘述，（主要还是自己理解不行）。这里为大家训练了MSG模型，可以直接下载使用，无需再训练，只需要修改自己代码模型即可。 模型 PointNet++ 多尺度模型 网盘链接 提取码：tf11 测试结果 ...
PointNet & PointNet++ 论文解析+算法理解+复现建议（3D点云 分类+分割）
热门推荐
m0_47294706的博客
01-28 3万+
PointNet、PointNet++论文解读、逐层网络结构理解、代码复现建议
PointNet++阅读笔记
qq_50199113的博客
05-14 477
PointNet并没有捕捉到点云的局部结构，而本文介绍了一种分层神经网络，用于捕捉点云的局部特征。
3D目标检测算法详解_pointnet, pointnet++,frustum-pointnets，VoteNet
ygfrancois的博客
05-10 1万+
知识点回顾 什么是点云，如何获得点云。 点云包含了很多信息，除了3维坐标数据之外，还可能包括颜色、分类值、强度值、时间等。 点云数据可以由多种方法获得：1.直接由Lidar激光扫描出点云数据。 2.不同角度的2D图像组合成点云3.由深度图（Depth Map）生成点云，即将图像坐标+深度信息从图像坐标系转换为世界坐标系。 点云和深度图都会出现深度信息的缺失，因为往往传感器只能捕捉物体表面...
Python-MSGGAN多尺度梯度GAN体系结构受ProGAN启发但不使用逐层增长
08-10
MSG-GAN: 多尺度梯度GAN（体系结构受ProGAN启发，但不使用逐层增长）
PointNet++源码详解
qq_52053775的博客
01-04 2203
分类任务的整体流程为,首先类似于卷积，堆叠多层PointNet++进行局部特征提取，需要注意的是，在最后一层pointnet++中，只分为一组，以获得全局特征，输出层由全连接层，最后使用softmax进行归一化。根据中心点按照多个半径得到子集簇,多个半径是实现多尺度特征融合的方式之一,另外,不同的半径选取的簇中，的点的个数也不同,例如半径为0.1,k=16,半径为0.2,k=32。然后进行上采样，对于第一次上采样，此时只有一个点，直接进行复制，其他的按照距离的远近生成权重参数，进行插值。
三维深度学习之pointnet系列详解（二）
qq_15332903的博客
05-21 2万+
上一篇主要讲了引入了三维深度学习相关的一些背景知识和pointnet整体思想和框架，那这一篇来介绍出自同一团队的基于pointnet改进的pointnet++。同样，以下所有的解读基于点云分类。一、pointnet存在的问题二、pointnet++网络结构详解三、pointnet++与pointnet对比四、pointnet++代码详解一、pointnet存在的问题pointnet只是简单的将所有...
个人笔记——PointNet++初读
sunfei05的博客
05-25 1万+
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space在表述PointNet++之前，其实列出题目可以更好的表述这篇paper，PointNet++其实就是PointNet的分层版本，并且顺便解决了由于分层带来的系列问题以及PointNet遗留的问题。在PointNet中，一个显著的问题是对于局部...
PointNet++理解
Rolandxxx的博客
12-22 738
3D检测里面有这样一类操作，用白话讲，可以归类为“路由”：即把特征从哪里取出来，或把特征汇聚到哪里去。“路由”的建立过程本身可以不可导（比如FPS和ball query）。但“路由”一旦建立，特征的传递和映射过程一般都是可导的。对于pointnet++中的一个例子（因为不能debug进用C++写的自定义的cuda算子，debug没法进c++的代码的，只能到调用的那一步，所以推荐直接采用全局搜索），对于前向传播中那些不能导的操作，是要重写一下backward函数的，重写时可能会调用自己实现的cuda代码。
(CVPR) PointNet++ 深度层次特征学习度量空间中的点集 详细解读 - 附代码
晨的博客
03-13 2563
PointNet++ 解决了两个问题：如何生成点集的划分（Partitioning），以及如何通过局部特征学习器（Local Feature Learner）抽象点集或局部特征。
Pointnet++网络详解
ice
08-03 1万+
pointnet和pointnet++简直就是点云深度学习界的resnet呀，经典永流传。本博文将结合论文和代码来详细地分析pointnet++网络，包括最远点采样方法，网络结构等。
【代码阅读】PointNet++代码梳理
麒麒哈尔的博客
06-01 2216
文章目录SA层FP层 本文为PointNet++代码梳理的导言部分，其他部分详见 （一）PointNet++代码梳理 PointNet++的核心操作是SA层和FP层，这里就来梳理一下SA层和FP层都干了什么。 SA层 参数：降采样点的数量(npoints)，邻域半径(radii)，邻域内点的数量(nsample)，MLP 输入：xyz，features 计算过程如下： new_xyz_idx = FPS(xyz, npoints) #使用FPS选出降采样点的下标，记作new_xyz_idx new_xyz
深度学习三维点云处理：PointNet++精讲及PyTorch实现
资源摘要信息:"PointNet++点云处理精讲(PyTorch)是一门专注于三维点云数据处理的深度学习课程，特别是使用PyTorch框架进行PointNet++网络模型的学习和实践。三维点云作为一种重要的三维数据表达形式，在自动驾驶、AR...
评论
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

打赏作者

Coding的叶子

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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