Pointnet++代码解析及网络维度变化

最新推荐文章于 2025-03-06 16:09:42 发布
最新推荐文章于 2025-03-06 16:09:42 发布
阅读量1.3k 收藏 7
点赞数 3
分类专栏： 图像与三维感知算法论文阅读与代码详解 文章标签： 深度学习 自动驾驶 pytorch 神经网络
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_41994506/article/details/107684653
版权

在这里插入图片描述
PointNet++中***点云分割***部分网络结构如上图所示.

***点云分类***部分只放一下对应的***SA_module***部分的维度变换
在这里插入图片描述
更加详细的解析可以参考我的知乎文章:
https://zhuanlan.zhihu.com/p/164880749

PointNet & PointNet++ 论文解析+算法理解+复现建议（3D点云 分类+分割）
m0_47294706的博客
01-28 3万+
PointNet、PointNet++论文解读、逐层网络结构理解、代码复现建议
3D点云深度学习框架PointNet、PointNet++详解
weixin_45761030的博客
03-13 4439
PointNet、PointNet++架构详细解读，实战演练，点云深度学习框架不再困难
pointnet++代码（亲测可用）
12-06
记录PointNet PyTorch版本的学习 PyTorch版本PointNet作者Tensorflow版本页面上给出的github地址，这里 数据集 PyTorch版本只给出了ModelNet的数据，只能进行部件分割，但是我想测试S3DIS数据集，所以下载了原作者给的链接中已经处理好的数据，文件为h5格式。 作者对所有的点云进行了采样，每个采样空间是一个立方体，做成一个数据，每个数据有4096个点；一个h5文件中是1000*4096*9个数字，代表1000个点云，每个点云中有4096个点，每个点有9个值xyz，rgb，剩下三个还不知道。 具体处理过程在Tensorflow版本中给出了，太复杂看不太懂。 利用这些处理好的h5文件，结合Tensorflow版本的代码写出PyTorch的数据集class，代码在indoor3d_dataset.py中。 训练 训练的代码基本参考了PyTorch版本的，只是将刚开始数据集的读取改成了S3DIS的，代码在train_indoor_3d.py中。 结果可视化 PyTorch版本用了原作者Tensorflow版本中提供的可视化代码，用ope
PointNet++代码
weixin_42783619的博客
04-11 1204
PointNet++代码 参考：https://blog.csdn.net/weixin_39373480/article/details/88934146 文章目录PointNet++代码utils部分farthest_point_sample函数query_ball_point函数 utils部分 farthest_point_sample函数 最远点采样函数，其核心就是点集到点集计算的函数，举个简单的栗子，一个临近点间距都是1的一排点(ps：自己把dist放到格子里吧:) )： 对着代码看看，帮助理
计算机视觉｜3D 点云处理黑科技：PointNet++ 原理剖析与实战指南
紫雾凌寒
03-06 1370
PointNet++在技术融合与应用扩展方面展现出广阔前景。在技术融合方面，它能够与Transformer结合，利用Transformer处理长距离依赖的能力，提升大规模点云数据的分析效率；同时，与生成对抗网络（GAN）结合，通过GAN实现点云补全和生成，显著增强模型对缺失数据的处理能力。在应用扩展方面，PointNet++展现出多样化的潜力。在医疗领域，它可以分析医学影像中的点云数据，辅助医生识别病变组织，从而提升诊断的准确性。在文物保护领域，通过处理文物扫描的点云数据，PointNet++支持文物的数字
论文代码-PointNet++
CabbSir的技术成长之路
12-02 930
PointNet++的pytorch版本代码个人理解笔记
PointNet++代码的实现
weixin_45947476的博客
11-02 3134
代码主要由两部分组成，pointnet_util.py封装着一些重要的函数组件，pointnet2.py用来搭建模型。 1. 功能函数文件 1、square_distance函数 该函数主要用来在ball query过程中确定每一个点距离采样点的距离。函数输入是两组点，N为第一组点的个数，M为第二组点的个数，C为输入点的通道数（如果是xyz时C=3），返回的是两组点之间两两的欧几里德距离，即N × M N\times MN×M的矩阵。由于在训练中数据通常是以Mini-Batch的形式输入的，所以有一个Bat
第二份代码：PointNet++
xiao_ZHEDA的博客
10-12 993
3D PointNet++
【论文阅读】PointNet++论文解读以及代码分析（超全）
毛毛的博客
01-19 5595
系列文章目录 第一章 PointNet论文解读以及代码分析 第二章 PointNet++论文解读以及代码分析 文章目录系列文章目录前言1. PointNet的不足与PointNet++的解决方法1.1 PointNet存在的问题1.2 PointNet++采用的解决方法2. PointNet++网络结构详解2.1 改进特征提取方法2.2 对于非均匀点云的处理方法3. PointNet++代码分析总结 前言 上一篇文章主要介绍了点云处理的经典之作PointNet的整体思想和框架，本篇文章将介绍其团队基于
Pointnet++学习
qq_27353621的博客
07-04 4013
1、点云的归一化与反归一化 归一化的作用： 数据归一化后，最优解的寻优过程明显会变得平缓，更容易正确的收敛到最优解 def pc_normalize(pc): """ 对点云数据进行归一化 :param pc: 需要归一化的点云数据 :return: 归一化后的点云数据 """ # 求质心，也就是一个平移量，实际上就是求均值 centroid = np.mean(pc, axis=0) pc = pc - centroid m = np
3D目标检测算法详解_pointnet, pointnet++,frustum-pointnets，VoteNet
热门推荐
ygfrancois的博客
05-10 1万+
知识点回顾 什么是点云，如何获得点云。 点云包含了很多信息，除了3维坐标数据之外，还可能包括颜色、分类值、强度值、时间等。 点云数据可以由多种方法获得：1.直接由Lidar激光扫描出点云数据。 2.不同角度的2D图像组合成点云3.由深度图（Depth Map）生成点云，即将图像坐标+深度信息从图像坐标系转换为世界坐标系。 点云和深度图都会出现深度信息的缺失，因为往往传感器只能捕捉物体表面...
Pointnet++
qq_35970322的博客
06-13 436
Pointnet++文章信息动机整体思想框架参考 文章信息 标题：PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space 作者：Charles R. Qi 来源：NIPS 2017，arxiv1706.02413 代码：官方(tf) / Pytorch / PyTorch(sshaoshuai) 动机 Pointnet在捕获点之间的关系时受到限制，它只能学习全局特征或单点特征，对大规模场景的通用性较差。 整
PointNet++
erzayi的博客
10-14 932
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space NIPS 2017 摘要 以前很少有在点云的deep learning方面的研究，PointNet是这方面的先驱。然而，pointnet并不能捕获由点所在的度量空间所决定的局部结构，这会限制模型的细腻度识别能力以及对于复杂场景的泛化能力。在此次工作上，我们引入了一个分层的神经网络，该网络在输入特征点的一个嵌套分区上递归的使用pointnet。通过探索
EfficientNet-B0详解
最新发布
03-20
### EfficientNet-B0 的模型结构及工作原理 #### 1. **EfficientNet 基本理念** EfficientNet 是一种基于复合缩放原则设计的神经网络架构，旨在平衡计算资源和模型性能之间的关系。其核心思想是通过对深度、宽度以及输入图像分辨率的同时调整来实现更高效的扩展策略[^2]。 #### 2. **EfficientNet-B0 结构概述** EfficientNet-B0 是该系列中的最小版本，适用于轻量级应用场景。它继承了 EfficientNet 家族的核心特性——MBConv（Mobile Inverted Bottleneck Convolution）块作为主要构建单元，并采用逐层堆叠的方式形成完整的网络结构。 以下是 B0 版本的具体参数配置： - 输入图片尺寸：`224×224` - 参数数量：约 `5.3M` - FLOPs 数量：约 `390M` 这些数值表明 B0 在保持较高精度的同时具备较低的计算开销，非常适合嵌入式设备或移动端部署场景。 #### 3. **MBConv 构建细节** ##### (a) 初始化方法 MBConv 层的设计融合了多种优化技术，包括但不限于深度可分离卷积与挤压激励机制(SE block)[^1]。具体而言，在类定义部分会指定必要的超参如扩张因子(expansion ratio)，通道数变化规律等逻辑均在此处完成设定： ```python class MBConv(nn.Module): def __init__(self, inp, oup, stride, expand_ratio=6, se_ratio=0.25): super(MBConv, self).__init__() hidden_dim = round(inp * expand_ratio) layers = [] if expand_ratio != 1: # Pointwise convolution with expansion layers.append(ConvBNReLU(inp, hidden_dim, kernel_size=1)) layers.extend([ # Depthwise convolution nn.Conv2d(hidden_dim, hidden_dim, 3, stride=stride, padding=1, groups=hidden_dim), nn.BatchNorm2d(hidden_dim), Swish(), SqueezeExcitation(hidden_dim, int(oup*se_ratio)), # Linear pointwise convolution nn.Conv2d(hidden_dim, oup, 1, bias=False), nn.BatchNorm2d(oup) ]) self.conv = nn.Sequential(*layers) self.use_res_connect = all([stride == 1, inp == oup]) def forward(self, x): if self.use_res_connect: return x + self.conv(x) else: return self.conv(x) ``` 上述代码片段展示了如何创建一个标准的 MBConv 单元实例化流程及其内部组件构成方式。 ##### (b) Forward 方法解析 在前向传播阶段，如果满足条件则执行跳跃连接操作；否则仅返回经过处理后的特征图输出结果。这种灵活切换机制有助于减少冗余运算并提升整体表现效果。 #### 4. **EfficientNet 整体框架描述** 对于整个 EfficientNet 模型来说，除了初始几层普通的卷积外，其余大部分均由重复排列好的若干组 MBConv 组件拼接而成。每一组之间可能存在细微差异比如步幅大小或者激活函数类型等方面的不同设置情况取决于实际需求而定。 同样地，在官方给出的例子当中也可以看到关于此类信息更加详尽说明文档内容如下所示: ```python def _make_divisible(v, divisor, min_value=None): ... class EfficientNet(nn.Module): def __init__(self, cfgs, num_classes=1000, width_mult=1., depth_mult=1., resolution=(224, 224)): ... def forward(self, x): ... ``` 此段落重点强调了通过调节乘法器系数(`width_mult`, `depth_mult`)可以轻松获得不同规格变体的能力。 --- ### 性能优势总结 相比传统单一维度放大手段(E.g.:单纯增加层数), 复合尺度法则能够显著改善最终得分指标同时控制住额外消耗成本增长幅度合理范围内. ---
评论 12
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