![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
3D点云
文章平均质量分 70
THE@JOKER
一个无耻混蛋
展开
-
Point Transformer 学习笔记
https://blog.csdn.net/qq_43310834/article/details/113809360https://bbs.cvmart.net/articles/4560/vote_counthttps://zhuanlan.zhihu.com/p/337603099摘要自注意力网络彻底改变了自然语言处理,并且在图像分析任务(例如图像分类和目标检测)方面取得了令人瞩目的进步。受此启发,我们研究了自注意力网络在3D点云处理中的应用。我们为点云设计了自注意层,并使用它们构建用于语义转载 2021-07-19 10:28:40 · 949 阅读 · 0 评论 -
DGCNN 学习笔记
Dynamic Graph CNN for Learning on Point Clouds——点云动态图卷积神经网络一、简介1.1 解决的问题1.2 贡献二、网络结构2.1 EdgeConv层介绍2.2 函数的选择2.3 动态CNN2.4 实现细节一、简介该文章是最新出的一篇针对点云数据分类、分割的网路,它是受PointNet以及PointNet++的启发所进行的修改,PointNet只是独立处理每个点,同过最大池化后的全局特征来进行网络输出,但忽视了点之间的局部特征。所以这篇文章主要提出了一个E.转载 2021-04-02 18:54:31 · 1456 阅读 · 1 评论 -
kitti LIDAR点云文件的读取和显示
import numpy as npimport mayavi.mlab pointcloud = np.fromfile(str("000010.bin"), dtype=np.float32, count=-1).reshape([-1,4]) print(pointcloud.shape)x = pointcloud[:, 0] # x position of pointy = pointcloud[:, 1] # y position of pointz = pointclo转载 2021-03-15 17:14:45 · 1175 阅读 · 0 评论 -
Sparse 3D convolution
稀疏卷积的做法有两种,区别是使用GEMM算法进行卷积还是Winograd算法进行卷积。GEMM指最后使用im2col的方式进行卷积。Sparse 3D convolutional neural networks论文提出了稀疏卷积的具体做法。卷积的输入为一个矩阵M和一个哈希表H。矩阵M为输入feature map上不为空的部分的特征,大小为 a× n, a代表不为空的位置个数,n代表特征维度C。哈希表H, key代表输入中不为空的位置的坐标,value代表这个坐标对应的特征是M中的哪一行特征。计原创 2021-03-04 21:29:03 · 1153 阅读 · 0 评论 -
h5 pcd 互转
查看h5文件import h5pyimport numpy as np# 申明句柄f = h5py.File('modelnet40_ply_hdf5_2048/ply_data_train0.h5','r')# 输出它的主键print(f.keys()) # ['data', 'faceId', 'label', 'normal']# 要打印出data的内容的话:# print(f['data'][:])# 要打印出data的形状的话:print(f['data'][:].shap原创 2021-03-04 20:21:09 · 1523 阅读 · 1 评论 -
代码复现 : voxelnet_tensorflow版本
程序代码:https://github.com/qianguih/voxelnet程序运行环境运行系统:Ubuntu18.04使用语言:Python3.56硬件支持:GTX2080Ti + CUDA10.0 + CUDNN7.6.5 + TensorFlow-gpu1.15.4原创 2021-02-23 20:39:29 · 582 阅读 · 4 评论 -
Kitti Viewer Web的使用
主要步骤1.在server/local(终端)运行python ./kittiviewer/backend.py main --port = xxxx。原main.py文件默认port=16666,故在second文件下打开终端,命令中xxxx改为16666即可2.再在second文件下打开另一个终端,运行cd ./kittiviewer/frontend && python -m http.server,以启动本地Web服务器。3.打开浏览器并输入你的前端URL(例如,默认是h原创 2021-02-23 14:50:51 · 1745 阅读 · 0 评论 -
VoxelNet 学习笔记
CVPR2018《VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection》文章目录前言一、主要思想和创新点二、整体网络框架1.Feature Learning Network2.Convolutional Middle Layers3.Region Proposal Network前言VoxelNet是苹果公司提出的一个只用点云来实现端到端的点云目标检测网络,和图像视觉中的深度学习方法一样,其不需要人为设计的目原创 2021-02-23 14:47:40 · 2893 阅读 · 1 评论 -
Submanifold Sparse Convolutional Networks
摘要卷积处理的数据(比如图片)一般都是很dense的,但是有些数据是sparse的(比如点云数据,在纸上形成的笔画)。在这些稀疏数据上直接用dense的卷积网络是非常没有效率的。本文引入了一种稀疏卷积运算,该运算针对处理稀疏数据而定制,与之前的稀疏卷积网络的工作不同,它严格地在子流形上运行,而不是将观测扩展到网络的每一层。(总之就是一个很适合处理稀疏数据的卷积)https://zhuanlan.zhihu.com/p/97367489https://blog.csdn.net/weixin_4080转载 2021-02-04 17:17:10 · 441 阅读 · 0 评论 -
PointNet++ 学习笔记
文章目录前言一、二、前言PointNet++主要是为了克服PointNet自身的一些缺点,其中最大的缺点就是缺失局部特征。从很多实验结果都可以看出,PointNet对于场景的分割效果十分一般,由于其网络直接暴力地将所有的点最大池化为了一个全局特征,因此局部点与点之间的联系并没有被网络学习到。在分类和物体的Part Segmentation中,这样的问题还可以通过中心化物体的坐标轴部分地解决,但在场景分割中,这就导致效果十分一般了。一、二、...原创 2021-02-03 14:37:32 · 913 阅读 · 1 评论 -
PointNet 学习笔记
文章目录前言一、前人工作二、点云的问题/特征三、网络结构总结前言点云数据是3D视觉中最为常见的数据类型了,它包含了空间中点的xyz、rgb、normal、curvature等信息,然后实际上点云是一种不规则的表示形式,在研究中经常会将点云转换成3D voxel grids 或者图片的集合来表示。而在pcl中会使用特定的数据结构去保存点云如八叉树和KD树。在基于点云数据的深度学习研究中,很少有网络直接处理场景的点云数据,因此作者们在这个领域探索并设计了Pointnet网络结构直接使用原始点云数据作为输.原创 2021-02-03 14:32:09 · 1254 阅读 · 1 评论