![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文笔记
文章平均质量分 83
weixin_42812109
这个作者很懒,什么都没留下…
展开
-
SKD: Keypoint Detection for Point Clouds Using Saliency Estimation论文笔记
SKD: Keypoint Detection for Point Clouds Using Saliency Estimation一.问题1.要解决什么问题?两大类配准方法:密集配准,基于关键点配准密集配准:每个点都匹配,容易受环境中遮挡的影响基于关键点配准:只匹配稀疏的关键点,需要环境中存在一定的重复性其中基于关键点配准:(1)关键点的可靠性。采用detect-then-describe的方法。关键点不仅由几何关系决定,还与自身特征描述子决定(但其实几何关系也是点自身的部分特征,也就是说其原创 2021-07-29 18:48:40 · 499 阅读 · 1 评论 -
FatNet: A Feature-attentive Network for 3D Point Cloud Processing论文笔记
一.摘要深度学习在三维点云中的应用由于缺乏顺序性而具有挑战性。受PointNet的点嵌入和dgcnn的边缘嵌入的启发,我们对点云分析任务提出了三个改进。首先,我们引入了一种新的特征关注神经网络层FAT层,它结合了全局点特征和局部边缘特征来生成更好的嵌入。其次,我们发现在两种不同形式的特征聚合(最大池和平均池)中应用相同的注意力机制,可以获得比单独使用任何一种更好的性能。第三,我们观察到残差特征重用在此设置下更有效地在层间传播信息,使网络更容易训练。我们的体系结构在点云分类任务上取得了最先进的结果,如在Mo原创 2021-07-29 18:45:35 · 512 阅读 · 0 评论 -
Patch2Pix: Epipolar-Guided Pixel-Level Correspondences论文笔记
Patch2Pix: Epipolar-Guided Pixel-Level Correspondences一.问题1.要解决什么问题?(1)用于视觉定位的经典匹配管道通常包括三个步骤:(i)局部特征检测和描述、(ii)特征匹配和(iii)离群值拒绝。最近出现的correspondence网络虽然在单个网络内执行这些步骤,但由于内存瓶颈,匹配分辨率较低。(2)传统方法容易受到极端的光照变化,运动模糊和重复和纹理弱的场景的影响。因此,最近的研究建议使用神经网络检测和描述局部特征,基于学习的特征描述子在原创 2021-07-29 18:42:08 · 1425 阅读 · 0 评论 -
PointDSC: Robust Point Cloud Registration using Deep Spatial Consistency论文笔记
一.四个问题1.要解决什么问题?度量空间不完美(即correspondence中存在错误匹配的点对)以及室内外空间都会存在一些重复的场景以及噪声的影响,都会造成对应点对寻找正确的比例比较低。所以对correspondence进行修剪,删除outlier的correspondence是基于特征的点云注册的关键步骤之一。2.用什么方法解决?在本文中,作者提出了一种新的深度神经网络,它明确地结合了空间一致性来对oulier correspondence进行剪枝。首先,提出了一个由特征和空间一致性共同加权原创 2021-05-08 22:06:24 · 878 阅读 · 1 评论 -
Deep Hough Voting for 3D Object Detection in Point Clouds论文笔记
一.四个问题1.要解决什么问题?目前的三维目标检测方法基本都是沿袭了二维目标检测的工作流程:提特征然后加RPN(region proposal network)。因此,为了利用二维探测器中的架构,它们经常将三维点云转换为常规网格(即体素网格或鸟瞰视图图像),或者依靠二维图像中的检测来提出3D框,而体素化或者网格化将导致信息细节丢失。此外在特征提取阶段,尽管Point net++在3D分类和分割任务中取得了很大的成功,但是很少有人研究如何在3D检测中利用好它,一种Naive的思想是根据2D检测的流程,在原创 2021-05-08 22:04:59 · 237 阅读 · 0 评论 -
Fully Convolutional Geometric Features论文笔记
Fully Convolutional Geometric Features一.四个问题1.要解决什么问题?从三维扫描或点云中提取几何特征是配准、重建和跟踪等应用中的第一步。现有的基于学习的特征提取算法基于兴趣点所在表面及临近点的空间分布,提取基本的二维、三维几何属性作为兴趣点特征信息,如角偏差,法线,点分布等,并通过多层感知器或三维卷积映射到一个低维特征空间。这种特征提取算法复杂度低、运算效率高、内存消耗少,但领域尺寸的选择对识别效果影响较大。这就产生了几个问题:所有先前的方法都需要提取一原创 2021-04-19 17:07:58 · 813 阅读 · 0 评论 -
D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features论文笔记
一.四个问题1.要解决什么问题?一个成功的点云配准通常依赖于通过有区分性的3D局部特征建立鲁棒的稀疏匹配。尽管基于学习的三维特征描述子发展迅速,但三维特征检测器却很少受到关注,更没有考虑到这两个任务的联合学习。2.用什么方法解决?点云配准的目的是寻找两个具有重叠(overlap)点云直接最佳变换,这是SLAM等应用的基本任务。而局部关键点的检测和描述是获得鲁棒点云对齐结果的两个关键。对于关键点检测,随机选择一组点进行特征描述,是一个选择。这会带来以下几个问题: (1)随机选择的点可能位于非原创 2021-04-08 18:23:15 · 434 阅读 · 1 评论 -
KPConv: Flexible and Deformable Convolution for Point Clouds论文笔记
论文概述 1. Kernel Point Convolution 左边为2D卷积示意图,在对图像的做卷积时,kernel可以理解成一些带权重的规则分布的2D位置(网格/窗口)。推广到点云,因为点云表示是不规则的,所以作者用了一个带权重的点集(kernel points)类比2D kernel,不同的地方是输入点云要和 kernel points 里面的每一个点的权重矩阵相乘然后通过一个相关系数(correlation coefficient) 加权求和。相关系数是通过输入点和kernel point的相原创 2021-04-08 18:17:37 · 646 阅读 · 0 评论 -
PF-Net: Point Fractal Network for 3D Point Cloud Completion论文笔记
一.四个问题要解决什么问题? 从激光雷达等设备中获取的点云往往有所缺失(反光、遮挡等),这给点云的后续处理带来了一定的困难,也凸显出点云补全作为点云预处理方法的重要性。点云补全(Point Cloud Completion)用于修补有所缺失的点云(Point Cloud),从缺失点云出发估计完整点云,从而获得更高质量的点云。点云有助于用较小的数据量描述三维物体,在三维物体的检测识别领域应用广泛。 用什么方法解决? 文章提出一种基于深度学习的点云分形网络PF-Net。PF-Net采用了一些自己的思路原创 2021-04-08 18:11:36 · 486 阅读 · 0 评论 -
Modeling Local Geometric Structure of 3D Point Clouds using Geo-CNN论文笔记
Modeling Local Geometric Structure of 3D Point Clouds using Geo-CNN一.四个问题1.要解决什么问题?人们对局部区域点间几何结构的显式建模关注有限。 为了解决这个问题,我们提出了GeoCnn,它将一个称为GeoConv的通用卷积操作应用于每个点及其局部邻域。 在提取中心及其相邻点之间的边缘特征时,捕获点之间的局部几何关系。所以,这篇论文的目的是对3D点云进行处理,提取具有几何信息的特征。用什么方法解决? 文中提出 Ge.原创 2021-04-08 17:59:56 · 149 阅读 · 0 评论 -
Supervised Fitting of Geometric Primitives to 3D Point Clouds阅读笔记
3D点云数据与几何基元拟合,可以得到3D点云数据中潜在的几何信息,从而将低层次的点数据转换为高层次的结构化信息,这为下游应用程序处理3D数据提供了基础。长期以来,基于RANASC的方法已是基元拟合问题的标准方法,但是这类方法需要细致地调整一些输入参数,因此无法很好地扩展应用到具多种形状的大型数据集中。本文提出了一个有监督的基元拟合网络(SPFN)和一个端到端的神经网络,该网络能够在无用户控制的情况下,鲁棒地检测不同尺度、不同数量的基元。该网络用真实基元表面和输入点的隶属关系来进行监督。该网络没有直接预测基元原创 2021-04-08 17:52:11 · 407 阅读 · 1 评论