点云语义分割:KPConv解读-更新中

已于 2022-04-05 18:38:01 修改
阅读量3.6k 收藏 25
点赞数 5
分类专栏： 深度学习 点云 文章标签： KPConv 点云语义分割
于 2021-07-30 16:02:50 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/u014311125/article/details/119182900
版权

点云语义分割:KPConv解读


KPConv是基于卷积操作的点云语义分割模型，KPConv网络中使用了一种新的点卷积操作，通过在欧式空间内定义卷积核点，与点云中的点进行卷积操作，同时可以将可变形卷积扩展到点卷积操作。可变形的KPConv适用于复杂的任务，规则的KPConv适用于简单的任务。

点云卷积相对于普通的图像卷积的难点：
点是空间上的稀疏点
无序性
旋转不变性

一、点卷积

论文中给出了点卷积的一般通用公式，但是一上来直接看公式对点云卷积过程的理解会有点困难，所以我们先通过图像的方式来解释一下点卷积的过程，然后再回头看公式。

上图是论文中作者给出的图像卷积(左侧)和点卷积(右侧)的图解过程，个人觉得理解上面这个图的关键是 W k W_k

了解本专栏 订阅专栏 解锁全文 超级会员免费看
GHZhao_GIS_RS
关注
  • 5
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 8
    评论
专栏目录
订阅专栏
论文解读 | KPConv——点云上的可形变卷积网络
Hinyeung2021的博客
09-05 516
这篇论文关注于点云数据上的卷积操作，提出了一种名为KPConv的卷积方法，旨在解决点云数据上的灵活性和可变形性问题。通过以上实验过程，论文可以验证提出的KPConv算法在点云分类和点云分割任务上的性能，并与现有的点云处理方法进行比较，从而证明其有效性和优越性。实验结果表明，KPConv在点云分割和点云分类任务中取得了优越的结果，证明了其在处理点云数据上的卓越性能。该论文的研究背景强调了点云数据的特点、点云数据上的卷积问题以及灵活性与可变形性的需求，为提出新的KPConv方法提供了合理性和必要性。
【文献翻译】KPConv：灵活且可变形的点云卷积
大秦帝国
06-27 3189
摘要 我们提出了核点卷积(KPConv)，一种新的点卷积设计，即在没有任何中间表示的点云上运行。KPConv的卷积权值通过核点在欧氏空间中定位，并应用于核点附近的输入点。它可以使用任意数量的内核点，这使KPConv比固定的网格卷积更灵活。此外，这些位置在空间上是连续的，可以通过网络学习。因此，kpconv可以扩展到可变形的卷积，学习适应核点局部几何。由于有规律的子采样策略，KPConv对于不同的密度也是有效和健壮的。无论是对复杂任务使用可变形的KPConv，还是对简单任务使用刚性的KPConv，我们的网络
【计算机视觉】简述对KPConv的理解
weixin_48845174的博客
02-28 6681
之前有篇博客介绍了自己对PointConv的理解，那篇文章虽然在某种程度上实现了高效卷积，并且利用了一种注意力的方法（密度加权），但是其分割的效果并不是特别的理想，miou并不是特别的高，所以这篇文章讲述一下自己对CVPR2019年发表的一篇文章KPConv的理解。 一、这篇文章的贡献我觉得是提出了一种新的点卷积设计，就是Kernel卷积的方法，它使用任意点数量的核点使KPConv比固定卷积更加具有灵活性，并且论文中提出了两种KPConv，grid型的KPConv用于简单的任务，可变形的KPConv可用于执
KPConv 论文学习笔记
weixin_43508459的博客
01-16 1069
通过对于核点（kernel point）赋予权重矩阵并通过其定义空间，每一个核点的影响范围由一个函数确定。核点的个数是可变的。 同时在基础模型之上还提出了一个deformable版本的卷积。这种模型在每个卷积位置（核点）产生不同的偏移，这意味着它可以为输入云的不同区域调整其核点分布的形状。
KPConv核心代码阅读
3D的博客
03-07 3371
KPConv/models/network_blocks.py 看看KPConv层的具体实现 def KPConv(query_points, support_points, neighbors_indices, features, K_values, radius, config): """ 返回KPConv的输出特征 """ # 从当前半径和配置密度获取KP范围 extent = config.KP_extent * radius / config.densit
3D点云分割-通过使用注意力机制提高3D点云语义分割算法的性能-附项目源码-优质项目实战.zip
05-06
点云分割是3D计算机视觉领域的一个重要任务，它涉及到对3D空间中的点集进行分类，以便将具有相同语义属性（如地面、建筑物、车辆等）的点聚类在一起。随着自动驾驶、机器人导航、虚拟现实等领域的快速发展，3D点云...
CloudCompare 点云工具安装包：CloudCompare-v2.13.1-setup-x64.exe
04-07
CloudCompare 点云工具安装包：CloudCompare-v2.13.1-setup-x64.exe
pointnet++点云语义分割自制小数据
最新发布
05-30
点云语义分割是计算机视觉领域中的一个重要任务，它涉及到3D点云数据的理解和分类。在这个场景中，我们讨论的是一个自定义的小型数据集，用于实验点云语义分割算法，特别是PointNet++的实现。PointNet++是PointNet的...
点云分割-点云分割标注工具-支持语义分割+实例分割数据标注-超实用点云标注工具.zip
02-18
1. **语义分割**：语义分割是点云处理的一种方法，它致力于将点云中的每个点分配到预定义的类别中，如地面、建筑物、植被等。这一过程通常基于机器学习模型，特别是深度学习模型，如卷积神经网络（CNN）和图神经网络...
KPConv-PyTorch:在PyTorch中实现内核点卷积
05-07
由Hugues THOMAS创建 介绍 该存储库包含PyTorch中的内核点卷积（KPConv）的。 Tensorflow也提供 （原始但较旧的实现）。 提供了另一种实现方式 KPConv是我们的ICCV2019论文（ ）中介绍的点卷积算子。 如果您发现我们的工作对您的研究有用，请考虑引用： @article{thomas2019KPConv, Author = {Thomas, Hugues and Qi, Charles R. and Deschaud, Jean-Emmanuel and Marcotegui, Beatriz and Goulette, Fran{\c{c}}ois and Guibas, Leonidas J.}, Title = {KPConv: Flexible and Deformable Convolution for Point
superpoint_graph:超点图的大规模点云语义分割
05-14
超点图的大规模点云语义分割 这是这些文件的官方PyTorch实施： 具有超点图的大规模点云语义分割 通过Loic Landrieu和Martin Simonovski（CVPR2018）， 和 图结构深度度量学习的点云过度分割 。 通过Loic ...
KPConv阅读
Chenyixun2的博客
01-12 336
kpconv
论文阅读——KPConv: Flexible and Deformable Convolution for Point Clouds
Dujing2019的博客
02-06 7609
论文阅读——KPConv（一）Abstract（二）Introduction（三）Related Work3.1 Projection networks3.2 Graph convolution networks3.3 Pointwise MLP network3.4 Point convolution networks（四）Kernel Point Convolution4.1 A Kernel...
探索 KPConv：一种革命性的深度学习方法用于处理3D点云数据
gitblog_00092的博客
04-14 467
探索 KPConv：一种革命性的深度学习方法用于处理3D点云数据 项目地址:https://gitcode.com/HuguesTHOMAS/KPConv 在计算机视觉和机器学习领域，3D点云数据的处理一直是一个挑战。现在，通过HuguesTHOMAS开发的开源项目KPConv，我们可以看到一个创新的解决方案，它为3D点云上的卷积神经网络（CNN）提供了一种灵活且高效的方法。 项目简介 KPCon...
3D点云经典文献集速览（第二弹）
Leon_____的博客
03-26 292
3D点云经典文献集速览（第二弹）
KPConv（pytorch）复现
m0_50019809的博客
07-17 1057
已有CUDA，对照着装torch即可，还有官方代码中的INSTALL.md，对着安装即可。最后是有一布编译，linux和windows有不同的方法。这样windows上的就OK了，需要在两个文件夹分别执行，而且生成文件的名称需要改一下，看一下源码里是怎么写的，改好就行了，linux生成的文件也一样，要不然跑不起来，报错找不到。最近刚看了相关的点云分割数据，准备吧KPConv跑通，用的是服务器，已经装好的11.7的CUDA，链接在github上。在doc文件夹里面有对应不同训练的说明文件，按照说明执行即可。
代码学习_KPConv_models.blocks
weixin_44109545的博客
04-12 776
代码学习_KPConv_models.blocksclass KPConv(nn.Module)二级目录三级目录 class KPConv(nn.Module) 初始化赋值 创建kernel points: K_points_numpy # Initialize weights [n_kpoints, in_fdim, out_fdim] self.weights = Parameter(torch.zeros((self.K, in_channels, out_cha
不同格式点云存储结构(txt、pcd、las、ply)整理以及基本的读写、可视化方法
热门推荐
zhaoguanhua的博客
07-15 3万+
一、文本（txt） 按行排列，x，y，z，r，g，b 如下图 二、PCD 文件头 三、LAS 四、PLY PLY是一种多边形文件格式，由Standford大学的Truk等人设计开发
点云语义分割:使用RandLA-Net训练自己的数据集
zhaoguanhua的博客
09-13 7397
使用RandLA-Net训练Semantic3D数据集一、数据获取与下载1、数据介绍2、数据预处理二、模型三、测试四、验证结果 一、数据获取与下载 1、数据介绍 数据下载地址:Semantic3D 2、数据预处理 2.1、点坐标、颜色、标签合并、保存成npy格式 2.2、下采样、建立kdtree、建立投影文件 二、模型 三、测试 四、验证结果 ...
评论 8
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

GHZhao_GIS_RS

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