三维点云学习（7）4-Feature Detection-Deep 3D features - USIP

最新推荐文章于 2023-08-28 16:42:50 发布
最新推荐文章于 2023-08-28 16:42:50 发布
阅读量735 收藏 5
点赞数
分类专栏： 3D点云学习
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/weixin_41281151/article/details/107980908
版权

三维点云学习（7）4-Feature Detection-Deep 3D features - USIP

在这里插入图片描述
在这里插入图片描述

USIP核心思想

1.一个点是特征点，无论从哪个角度去观察这个物体或场景，它都是一个特征点

2.特征点的概念和尺度有关系 eg.车轮胎的花纹，在大场景下是噪声，在车体单独点云可视为一个特征点

在这里插入图片描述

USIP框架

在这里插入图片描述

USIP 参数 数学符号表达

在这里插入图片描述
在这里插入图片描述
常规的 chamfer loss ，寻找每个点的 nearest点，缺点在于，每个点不是等价的，并且每个点的感知域都是有限的，都具有不确定性
Solution：add weight 给每个点加权重
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

特征点跟尺度的关系

在这里插入图片描述
在这里插入图片描述
通过限制感知域，使得loss fcn比较小 避免退化现象
在这里插入图片描述
在这里插入图片描述
使用 SO-Net 设计 FPN
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

summary

在这里插入图片描述
在这里插入图片描述

KaHoWong
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
论文阅读笔记（二）：USIP:Unsupervised Stable Interest Point Detection from 3D Point Clouds
qq_43173635的博客
07-22 683
摘要：   本文提出了USIP检测器：一种可以在不需要训练数据真值的任意变换的3D点云中检测重复率高、定位准确的关键点的无监督稳定特征点检测器。USIP检测器由一个特征生成网络组成，该网络可以从输入的点云和任意变换后的点云中学习稳定的关键点。本文提供了退化分析和解决方法。我们使用概率倒角距离来最小化从训练点云对中检测到的关键点之间的距离，以提高重复性和定位精度。在包含Lidar、RGB-D和CAD模型的仿真和实际的3D点云数据集上进行了大量的可重复性测试，实验结果表明USIP检测器明显优于当前的现存的手工方
matlab 基于点云的三维重建 附带 点云数据
04-04
matlab 基于点云的三维重建 附带 点云数据 Surface recostruction from scattered points cloud
点云基础介绍（一）——三维点云
qq_28912651的博客
08-28 7137
三维点云（3D Point Cloud）是一种用于表示三维空间中对象或场景的数据结构。在最基础的形式中，它是一个包含多个三维坐标点（X, Y, Z）的集合。这些点是通过对实际物体或场景表面进行离散采样而获得的，因此，点云可以被视为场景表面在给定坐标系下的离散表示。
3D点云数据分析与处理-传统方法与深度学习
热门推荐
scott198512的博客
02-24 3万+
点云数据配准、目标识别、检测、自动驾驶、高精地图
【论文笔记】点云关键点检测和特征提取 USIP: Unsupervised Stable Interest Point Detection from 3D Point Clouds 2019 论文笔记
phy12321的博客
09-21 3775
新加坡国立大学 代码链接:https://github.com/lijx10/USIP 这是一篇通过无监督学习来进行点云关键点检测的文章. 整体的网络结构: 首先将输入的点云进行随机旋转平移变换，网络分别对两个点云进行关键点提取得到关键点QQQ，并对每个关键点的不确定度进行预测得到∑\sum∑。 损失函数 Probabilistic Chamfer Loss 作者希望网络能够学习点云中的稳定的关键点（repeatability），也就是说两个场景信息大部分重合的点云，即网络的两个输入，应该能够.
matlab修改错误代码-USIP:来自3D点云的无监督稳定兴趣点检测
05-24
USIP检测器：一种无监督的稳定兴趣点检测器，可以在任意变换下从3D点云中检测高度可重复且精确定位的关键点，而无需任何地面真实训练数据。 下面分别显示了ModelNet40，Redwood，Oxford RobotCar和KITTI通过USIP检测...
usb.rar_mips usb_mips-gdb_usb innova_usip
09-19
标题中的“usb.rar_mips usb_mips-gdb_usb innova_usip”揭示了这个压缩包主要涉及的内容。这里提到了几个关键术语，分别是“MIPS”、“USB”、“MIPS-GDB”以及“innova usip”。让我们逐一解析这些概念。 1. **...
3D关键点匹配-基于Pytorch实现的端到端3D关键点匹配算法-基于USIP关键点+FPFH描述-优质项目实战.zip
最新发布
03-27
3D关键点是在三维空间中的特定点，这些点具有显著性，即在不同的视角或光照条件下能保持稳定，因此它们可以用来识别和比较不同的3D形状。关键点匹配的目标是找到两个3D模型之间对应的关键点，为后续的几何配准和姿态...
USIP Communications-crx插件
04-03
语言:English,中文 (简体),中文 (繁體),日本語由USIP Communications提供支持的集成USIP API集成平台提供了数据库驱动的屏幕弹出窗口。USIP应用程序使用API​​集成了后台应用程序。该应用程序还可以识别Chrome中的...
UG10T22RevF-USIP_Production_Center_User_Guide.pdf
12-12
#### 4. **USIP® Production Center概述** - USIP®是InnovaCard的注册商标，用于表示其生产的中心化生产系统。该系统可能涉及智能卡、身份识别卡或其他形式的安全介质的生产与个性化处理。 - User Guide：提供...
51单片机TCP/IP协议USIP
07-19
USIP，运行于51单片机的精简版TCPIP协议，最小配置占用500字节内存
[ICCV 2019] USIP: Unsupervised Stable Interest Point Detection from 3D Point Clouds
zhulf0804的博客
10-25 1874
零、概要 论文: USIP: Unsupervised Stable Interest Point Detection from 3D Point Clouds tag: ICCV 2019; Keypoints, Registration 代码: https://github.com/lijx10/USIP 作者: Jiaxin Li, Gim Hee Lee 机构: National University of Singapore 笔者整理了一个最近几年150多篇点云的论文列表，欢迎大家一块学习交流。
USIP evaluation及可视化（Google Colab+jupyter notebook实现）
Passersby__的博客
06-21 1382
最近学习了jiaxin老师的USIP论文，该论文提出一种使用无监督方法提取特征点的网络。论文中设计了特征点提取网络detector、和特征描述网络descriptor。 我的尝试 小编尝试利用其训练好的detector做了一下evaluation。由于网络需使用GPU，所以小编尝试在google colab上运行得到关键点，并通过修改代码保存其输入的原点云，在本地使用jupyter notebook进行可视化。 USIP实验简介 USIP实验中训练了3个网络，分别针对outdoor Lidars, RGB-
三维点云课程（一）——点云基础介绍
HUASHUDEYANJING的博客
07-10 6306
密度不均匀不规则没有纹理信息（三人成车）对深度学习的特点： 无序性 旋转不变性 主成分分析在点云中的作用 矩阵的运算：PCA ： ​​​​​​​ 降维和升维肯定有数据损失，所以要选取重要的主向量PCA是线性的 第一列是输入的图像，例如30*30就是900维的矩阵，把900维的矩阵在l个主向量上投影得到l组a，第二列是计算平均值所以都一样。可以看到由6个主向量来重构图片（最后一列）可以达到识别的效果。对每组a进行聚类，传入新的图片与a对比相似度来分类 点云拟合曲面的切面的法向
3D点云（3D point cloud）及PointNet、PointNet++
verse_armour的博客
12-25 8387
PointNets
3D点云基础知识(一)-初始入门-知乎整理（一）
xiaoyaolangwj的博客
03-13 2万+
作者：Mr.苍雪 链接：https://zhuanlan.zhihu.com/p/344635951 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。https://zhuanlan.zhihu.com/p/344635951 3D图像描述 RGB-D 点云 何为点云？ 点云的获取 点云的内容 点云的属性 点云目前的主要存储格式包括：pts、LAS、PCD、.xyz 和. pcap 等 相应基础算法库对不同格式的支持 三维点云有多种表示方法 相比于图像数
三维视觉和三维点云基础概念
m0_60273616的博客
11-03 4870
本篇文章为学习笔记（知识点整理），内容非原创，部分内容转载自以下博客链接 三维视觉研究什么_惊鸿一博-CSDN博客_三维视觉 北大陈宝权教授：三维视觉前沿进展与应用 - 知乎 3D目标检测与视觉SLAM的区别与联系是什么？研一新生目前还在这两个方向上犹豫，前辈们能否提供点建议？ - 知乎 ...
4月6号新出的论文（点云）
weixin_43489950的博客
04-18 539
自适应加权学习的轻量级图像超分辨率 Lightweight Image Super-Resolution with Adaptive Weighted Learning Network Chaofeng Wang, Zheng Li, Jun Shi https://github.com/ChaofWang/AWSRN 视频目标分割的时空CNN网络 Spatiotemporal CNN for V...
目标检测3维/点云/遥感数据集
weixin_44330777的博客
11-02 4128
主要有包含建筑物的数据集 1. 点云分类(罗蒙诺索夫莫斯科国立大学) Legend: red — ground, black — building, navy — car, green — tree, cyan — low-vegetation. 链接：点云分类 2. Semantic3D 大规模点云分类基准，它提供了一个带有大标签的自然场景的3D点云数据集，总计超过40亿个点，并且还涵盖了多种多样的城市场景。 8个类别标签的分类基准，即 1：人造地形； 2：自然地形； 3：高植被； 4：低植被； 5：
USIP关键点提取算法原理
09-06
USIP（Unified Social Interaction Profiling）是一种用于社交媒体上的关键点提取的算法。其原理如下： 1. 数据预处理：首先，需要对社交媒体上的数据进行预处理，包括文本清洗、分词、词性标注和命名实体识别等...
评论 1
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