碧落的博客

快速浏览了这两篇文章，方法都比较简单，一些思想都在前面的工作中或多或少都出现过。值不值的读，能不能中不好说。第二篇文章的方法还是很涨点的。1 PCT: Point Cloud Transformer2 Point Transformer...

论文泛读：Distribution aligning refinery of pseudo-label for imbalanced semi-supervised learning

浏览SDF-SRN: Learning Signed Distance 3D Object Reconstruction from Static Images在解决什么问题？面临的困难本文的方法Signed distance functionsRendering Implicit 3D Surfaces（I donot care）在解决什么问题？如何从单幅图像（仅仅利用轮廓）学习3D形状。已有的全监督的方法需要成对的注释（每个图像都有对应的3D模型），显然这很费劲；还有一些方法是用多视角的轮廓，多视角能

点云语义分割：Spatial Transformer Point Convolution论文阅读你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：全新的界面设计 ，将会带来全新的写作体验；在创作中心设置你喜爱的代码高亮样式，M

PointContrast: Unsupervised Pre-training for3D Point Cloud Understanding摘要PointContrast Pre-training3D Point Cloud Understanding)摘要简单记一下Charles R. Qi的新作 PointContrast: Unsupervised Pre-training for3D Point Cloud Understanding。点云的无监督的对比学习作为预训练以提升下游任务的性

论文：http://openaccess.thecvf.com/content_ICCV_2019/papers/Zhang_ShellNet_Efficient_Point_Cloud_Convolutional_Neural_Networks_Using_Concentric_Shells_ICCV_2019_paper.pdf源码：https://github.com/hkust-vgd...

3D点云实例分割3D语义分割区分场景中各类对象，3D实例分割区分场景中各类别中的各种个体。近两年来，3D实例分割的关注度越来越高，相应的方法也被接连提出。众多方法的思想主要分为两类：基于候选区域的实例分割（proposal-based）和免候选区域的实例分割（proposal-free）。其中，proposal-based先获取场景中的感兴趣的候选区域，如：3D bounding boxes等...

SGPN [CVPR 2018]：点云的实例分割与物体检测。（SGPN: Similarity Group Proposal Network for 3D Point Cloud Instance Segmentation。RSNet [CVPR 2018]：点云的语义分割。（Recurrent Slice Networks for 3D Segmentation on Point Cloud...

Break the Ceiling: Stronger Multi-scale Deep Graph Convolutional Networks（地基打得好，突破上限不会倒）闲来无事，找篇论文粗读一下：Break the Ceiling: Stronger Multi-scale Deep Graph Convolutional Networks。初看题目Break the Ceil...

论文地址：https://arxiv.org/abs/1904.00699代码（论文中有地址）环境： CUDA 10.0； Pytorch 1.0；Python 3.5+；Pytorch 0.4.0+之前知道有一篇联合训练的文章，一直没有看，最近粗略阅读并记录一下。。。...

本文是方法的概览，下文不包含可舍弃条件随机场的理论分析部分，请查阅原文。

RoarNet: A Robust 3D Object Detection based on RegiOn Approximation Refinement （速读）论文地址：https://arxiv.org/pdf/1811.03818.pdf代码地址：https://github.com/Kiwoo/RoarNet官方介绍主页：https://sites.google.com/b...

Frustum PointNets for 3D Object Detection from RGB-D Data（有代码，级联的方法）目录Frustum PointNets for 3D Object Detection from RGB-D Data简要说明Contributions（不对应原文）具体方案实验代码学习简要说明问题：通常的三维目标（用...

PIXOR: Real-time 3D Object Detection from Point Clouds论文链接：http://www.cs.toronto.edu/~wenjie/papers/cvpr18/pixor.pdf代码链接：https://github.com/Yachao-Zhang/PIXOR摘要：本文是18年CVPR，时间比较久了网上解读版本很多，本文只是记录一...

3D目标检测框架VoteNetCharles R. Qi，Or Litany，何恺明，Leonidas J. Guibas等当前主流的3D目标检测方法，很大层度上受2D检测器的影响。充分利用2D检测器提取3D建议框，或将3D点云转换为规则的网格或利用2D图像提取锥形区域可参阅（https://blog.csdn.net/u011507206/article/details/89106892...

VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection理解了PointPillars这篇文章后，看这篇文章就清晰多了，这个清晰表现在两个方面，1）PointPillars这篇文章具体是如何将点云变为伪图像过程变得清晰了，2）VoxelNet这篇文章多用公式表达并且很详细，读起来是比较容易懂的。建议先看本文再...

【ICLR2019】Poster 论文汇总转自：https://blog.csdn.net/u014636245/article/details/88825615ICLR2019Poster 文章汇总, 共478 papersConvolutional Neural Networks on Non-uniform Geometrical Signals Using Eucli...

PointPillars: Fast Encoders for Object Detection from Point Cloudscode ID： https://github.com/nutonomy/second.pytorch目录PointPillars: Fast Encoders for Object Detection from Point Clouds概...

ICCV 2019 Oral论文速读残差图卷积网络-Can GCNs Go as Deep as CNNsArxivpaper：https://arxiv.org/abs/1904.03751Github：https://github.com/lightaime/deep_gcns...

题目：Deep Continuous Fusion for Multi-Sensor 3D Object Detection来自：Uber: Ming LiangNote: 没有代码，主要看思想吧，毕竟是第一篇使用RGB feature maps 融合到BEV特征中；KITTI 3D目标检测数据可视化参阅：https://blog.csdn.net/u011507206/article...