「论文阅读」PointNet++:Deep Hierarchical Feature Learning on Point Sets in a Metric Space

已于 2022-02-13 12:05:12 修改
阅读量4.2k 收藏
点赞数 2
分类专栏： 深度学习点云处理 文章标签： 深度学习 计算机视觉 人工智能
于 2022-02-13 11:39:51 首次发布
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/u013609289/article/details/122906792
版权

目录

点集的分层特征学习

采样层（Sampling layer）：

分组层（Grouping layer）：

PointNet层（PointNet layer）：

非均匀采样密度下的鲁棒特征学习

上图显示了单尺度点分组。

点集的分层特征学习

PointNet++分层处理点，沿着层次结构逐步抽象出越来越大的局部区域。

点集抽象层（set abstraction level），主要由：

采样层（Sampling layer）：

采样出关键点，最远点采样，关键点代表了局部区域的质心。输出的是N’*(d+C)这么一个矩阵。提供给下面的分组层，因为分组层grouping需要关键点集（N’）和总的点集（N）。

分组层（Grouping layer）：

搜索关键点周围的邻居点，构造局部区域集。这一层的输入是N*(d+C)和N’*d（我可以理解诶为关键点只需要坐标就行了，通过坐标去找周围的点）。输出为N’*K*

最低0.47元/天 解锁文章
小麋鹿跑了
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
(NIPS 17) PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
dloading7的博客
04-02 562
PointNet++[1]作为PointNet[2]的续作，着重于解决PointNet[2]没有能够很好的提取局部特征的问题，限制了其对细节图案（fine-grained patterns）的理解，无法泛化至其他复杂的任务场景。通过设计一种层级式（Hierarchical）的结构，对输入点云进行分块，重复使用PointNet[2]结构以增加对局部信息的获取能力。 整体的网络架构如上图所示，流程相对简洁，对于输入点云，设计一种层级式架构进行特征提取。 Hierarchical Point Set Feat.
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
DAOCHI
11-11 8130
基本简介 论文下载地址：https://arxiv.org/pdf/1706.02413.pdf 代码开源地址：https://github.com/charlesq34/pointnet2 作者以及论文信息如下： 这一篇文章和 PointNet 论文是一个系列，并且是同一个作者的研究成果，但是两篇论文却有较大的区别。这篇论文在后续的点云处理上，被引用次数非常多，常作为3D点云特征提取的基础模块，类似于2D图像的 ResNet 算法。 Abstract 以前很少有工作研究直接处理3D点集的深度学习
2020.10.20读 PointNet++： Deep Hierarchical Feature Learning on Point Sets in a Metric Space
wolfcsharp的博客
10-20 641
PointNet++： Deep Hierarchical Feature Learning on Point Sets ina Metric Space1. 背景信息2.方法2.1 回顾PointNet2.2 层级点集特征学习2.3 在非均匀点采样密度下的鲁棒特征学习2.4 点云分割中的点特征传播3. 读后感 1. 背景信息 输入数据：原始点云 PointNet++ 是PointNet的改进版本， PointNet中实现点云排序不变性是通过提取global feature完成的，显然，这对于局部信息没有
[论文简述+翻译]PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
Javier.Lin_HUST的博客
02-02 451
已有工作很少研究点集深度学习。Pointnet[ 20 ]是该方向的先驱。然而，通过设计，Pointnet无法得到度量空间点所在的局部结构，限制了其识别细粒图片的能力和对复杂场景的泛化能力。在这项工作中，我们引入了一个分层神经网络，该网络在输入点集的嵌套划分上递归地应用点Pointnet。通过利用度量空间距离，我们的网络能够随着上下文规模的增加学习局部特征。进一步观察到点集通常以不同的密度进行采样，这导致在均匀密度上训练的网络性能大大降低，我们提出了新的点集学习层来自适应地组合来自多个尺度的特征。
【论文阅读笔记】《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》
longteng_guo的博客
07-18 393
《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》 Qi C R, Yi L, Su H, et al. Pointnet++: Deep hierarchical feature learning on point sets in a metric space[C]//Advances in neural information processing systems. 2017: 5099-51
pointnet2：PointNet ++：在度量空间中对点集进行深度分层功能学习
02-05
引文如果您发现我们的工作对您的研究有用，请考虑引用： @article{qi2017pointnetplusplus, title={PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space}, author={Qi, Charles R and ...
CluterNet: Deep Hierarchical Cluster Network with Rigorously Rotation-Invariant Representation for Point Cloud Analysis
02-08
CluterNet: Deep Hierarchical Cluster Network with Rigorously Rotation-Invariant Representation for Point Cloud Analysis
A+Review+of+Deep+Reinforcement+Learning
03-18
深度强化学习(A Review of Deep Reinforcement Learning)是一个不断发展的领域，其主要目标是让智能体在复杂的环境中通过与环境的交互来学习最优策略。冯超，来自滴滴出行AI Labs时空数据组的视觉与时空数据专家，...
HMCTS-OP: Hierarchical MCTS based online planning in the asymmetric adversarial environment
02-11
HMCTS-OP: Hierarchical MCTS based online planning in the asymmetric adversarial environment
Hierarchical Deep Click Feature Prediction for Fine-grained Image Recognition
02-11
Hierarchical Deep Click Feature Prediction for Fine-grained Image Recognition
PointNet++：Deep Hierarchical Feature Learning on Point Sets in a Metric Space
Alkaid2000的博客
10-12 1742
针对于PointNet出现的问题：没有能力捕获局部结构，这使得在复杂的场景中很难应用。PointNet++的作者主要通过两个主要的方法进行了改进，使得网络能更好的提取局部特征： 一是利用空间距离(metric space distances)，使用PointNet对点集局部区域进行特征迭代提取，使其能够学到局部尺度越来越大的特征。 二是由于点集分布很多时候是不均匀的，如果默认是均匀的，会使得网络性能变差，所以作者提出了一种自适应密度的特征提取方法。
点云配准论文阅读5- PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
dc爱傲雪和技术
03-25 787
之前很少有研究研究点集深度学习的作品。PointNet [20] 是这个方向的先驱。然而，根据设计，PointNet 无法捕获由所在度量空间点引起的局部结构，从而限制了其识别细粒度模式的能力以及对复杂场景的泛化能力。在这项工作中，我们引入了一种分层神经网络，它将 PointNet 递归地应用于输入点集的嵌套分区。通过利用度量空间距离，我们的网络能够随着上下文尺度的增加来学习局部特征。
【计算机图形学】PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
passer__jw767的博客
01-29 932
对PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space的简单理解
点云分割（point cloud segmentation）任务笔记
goodgoodstudy___的博客
04-20 2045
point cloud segmentation
BiLSTM 实现股票多变量时间序列预测(PyTorch版)
最新发布
君子不器 大道无方
07-17 1081
在本文中，我们将探讨如何使用PyTorch框架实现基于双向长短期记忆网络（BiLSTM）的多变量时间序列预测模型。多变量时间序列预测涉及多个输入变量和一个或多个输出变量，这些变量随时间变化并可能相互影响。通过利用BiLSTM的双向特性，我们的模型将能够同时考虑历史数据和未来趋势，从而更准确地预测时间序列的未来值。
pointnet++: deep hierarchical feature learning on point sets in a metric space
06-06
PointNet++是一种在度量空间中对点集进行深度分层特征学习的方法。它通过使用一系列的局部区域和全局特征来对点云进行建模，并且可以处理不同数量和分布的点。PointNet++的主要优点是它可以对点云进行端到端的学习，...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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