Pointcnn阅读心得笔记

最新推荐文章于 2024-09-13 13:17:01 发布
最新推荐文章于 2024-09-13 13:17:01 发布
阅读量811 收藏 8
点赞数 3
分类专栏： 三维点云
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_42956785/article/details/86586513
版权

Pointcnn阅读心得笔记

小编比较菜，如果这篇博客中有误解原论文之处还望指正，在此由衷的感谢

引言

卷积神经网络（Conv）能够很好利用原始数据的在空间上的局部相关性(Spatially-local correlation),这也正是卷积神经网络在各种分割或者分类任务中取得成功的关键。正是如此，作者设想是否能效仿卷积神经网络来很好的利用点云(Point Cloud)的空间上的局部相关性，这将在点云分割和分类上取得很大的成功。所以这篇文章的重点就在于怎么利用这种相关性。

博文从以下这几方面开始展开

  1.  Using Conv in Points Cloud directly

  2.  Hierarchical Convolution

  3.  X-Conv Operator

  4.  PointCNN Architectures

  5.  Experiments

1. Using Conv in Points Cloud directly在这里插入图片描述

2. Hierarchical Convolution在这里插入图片描述

3. X-Conv Operator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

4、PointCNN Architectures

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更详细的内容请大家关注公众号集大人工智能，为一群热爱人工智能而努力的我们加油！！

黄小胖子
关注
专栏目录
深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 26万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
opencv学习笔记六十三：基于CNN的性别、年龄预测
qq_24946843的博客
09-27 2502
来自于2015年CVPR的一篇paper《Age and Gender Classification using Convolutional Neural Networks》。 Paper所用的网络包含：3个卷积层，还有2个全连接层。这个算是层数比较少的CNN网络模型了，这样可以避免过拟合。对于年龄的识别，paper仅仅有8个年龄段，相当于8分类模型，对于性别识别自然而然是二分类问题了。 首先...
PointCNN论文阅读笔记
pikachu_777的专栏
10-10 2262
PointCNN论文阅读笔记 主要思想 这篇论文提出了将卷积层用于三维物体识别的方法，引入一种可学习的矩阵X，对三维点云数据加权、置换。使得卷积能够保留点云的空间位置信息，并且不依赖与点的输入顺序。前层区域内的特征点经卷积操作，得到后层表示点(representative poin)，即前层的高维局部特征表示。此方法可以同时应用在分类和分割任务中，作者介绍了在两类任务中的不同网络架构及细节实现。 ...
PointCNN阅读笔记
酒柜担保人的博客
03-25 290
Abstract •CNN成功的关键是卷积算子，它能够利用网格（如图像）中密集表示的数据的空间局部相关性。 •点云是不规则、无序的，直接将核卷积到与点相关的特征上会导致形状信息的丢失和点对点排序的方差。 •为了解决这些问题，我们建议从输入点学习X-Translation来同时促进两个方面：第一个是与点相关的输入特征的加权，第二个是将点排列成潜在的规范顺序。 •典型卷积算子的元素积和运算...
PointRCNN 项目使用教程
gitblog_00255的博客
08-09 956
PointRCNN 项目使用教程 PointRCNNPointRCNN: 3D Object Proposal Generation and Detection from Point Cloud, CVPR 2019.项目地址:https://gitcode.com/gh_mirrors/po/PointRCNN 项目介绍 PointRCNN 是一个用于从点云数据中生成和检测三维对象的开源项目。...
PointCNN
ylwhxht的博客
11-18 186
PointCNN Key Knowledgeable： Hierarchical Convolution： 参考图像卷积，进行多次卷积，提取深层信息。 χ-Conv Operator： 根据邻近点坐标信息进行相对位置编码，分别使用MLP学习特征信息F与变换矩阵χ。使用变换矩阵χ变换特征信息矩阵F得到Fχ，最后再对Fχ进行卷积。 Tips：使用采样膨胀D倍邻近点扩大特征的感受野，利于网络训练。 3.χ-Conv dilation rate 使用采样膨胀D倍邻近点扩大特征的感受野，在KD个邻近点内采样K.
pointCNN 论文理解
T5A_318的博客
09-21 532
1.解决问题 x-变换对不同的形状进行加权，对相同形状而不同时序的点云，学习他的一个排列转换矩阵，使得 作者指出，在实践中排列矩阵的学习，远远达不到理想的效果，但尽管如此，也能得到很好的结果。 2.关键思想 2.1 分层卷积 类似于cnn，将特征聚集到超点中，每个超点包含了更高维度的信息，作为对底层细节的抽象，这样可以适用于分类任务，而且可以减少训练参数，加快学习过程。 2.2 x-变换 1. 归一化到局部坐标系 为了让输出的特征不依赖于绝对坐标，将其归一化到局部坐标系，可以保证
PointRCNN
CSS360的博客
09-22 887
论文链接 代码链接针对的领域：从原始的点云数据进行3D目标检测 框架的组成：从下到上的3D建议生成；精炼建议在标准坐标来获得最后的检测结果 展开描述 不像原先方法从RGB图像、投影点云到鸟瞰图、体素得到建议，我们的阶段1子网络直接生成一个小数量的高质量3D建议从点云在一个由下到上行为通过分割整体场景的点云到前景点云和背景点云。阶段2子网络转换池化点云的每个建议到标准坐标来学习...
Pointnet与Pointnet++论文笔记
weixin_48506823的博客
10-17 2113
Pointnet与Pointnet++论文笔记 近期由于课题需要，研读了Pointnet系列文章，在此总结个人心得，并结合了部分博客进行阐述，不足之处希望各位批评指正，也欢迎各位同学来进行学习交流。 论文地址：https://arxiv.org/abs/1612.00593（pointnet） 论文地址：https://arxiv.org/abs/1706.02413 (pointnet++) 1. 前言 图像数据在计算机中的表示通常编码了像素点之间的空间关系，与此不同的是，点云数据是由一组无序的点所构成
《深入浅出AI》前言知识：深度学习基础总结
最新发布
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
09-13 2056
本文详细介绍了深度学习的基础知识、主要概念和术语、以及经典的深度学习算法。深度学习是机器学习的一个分支，侧重于构建和训练神经网络以自动提取特征。文章探讨了深度学习的优缺点，比较了机器学习与深度学习的区别，并讨论了如卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GANs）和深度强化学习（RL）等深度学习模型。此外，文中还介绍了如何使用深度学习进行手写数字识别任务，包括数据准备、网络配置、模型训练、评估和预测的步骤，并通过实例展示了整个流程。最后，分享自己精心制作的深度学习思维导图。
CNN网络结构进化概述
蚂蚁搬家
12-20 2233
网络工程问题是深度学习中比较基础的问题，网络工程的难点在于，缺乏对深度神经网络的理论理解（即常说的黑盒模型），无法根据理论来设计网络结构，实际中更多的是不断的尝试，根据实验反馈出来的结果确定某一结构是不是好的结构。在这些尝试中，CNN是一种非常成功的网络形式，CNN的网络结构迭代速度也非常快，诸如大家所熟知的AlexNet，VGGnet，GoogleNet，ResNet，ResNext，Dense...
PointRCNN:点RCNN
05-11
点RCNN PointRCNN：从点云生成和检测3D对象提案 PointRCNN：3D对象提案从点云生成和检测的代码发布，CVPR 2019。 作者：，，。 新增：我们提供了PointRCNN的另一种实现，用于在通用3D对象检测工具箱进行多类联合训练。 介绍 在这项工作中，我们提出了PointRCNN 3D对象检测器，以自下而上的方式直接从原始点云中生成准确的3D盒子建议，然后通过提出的基于bin的3D盒子回归损失在规范坐标中对其进行完善。 据我们所知，PointRCNN是第一个通过仅使用原始点云作为输入进行3D对象检测的两阶段3D对象检测器。 PointRCNN在KITTI数据集上进行了评估，并在提交时在所有已发布的作品中在KITTI 3D对象检测上达到了最先进的性能。 有关PointRCNN的更多详细信息，请参阅或。 支持的功能和待办事项列表 多个GPU进行训练 GPU版本
PointCNN：PointCNN：X转换点上的卷积（NeurIPS 2018）
02-04
PointCNN：X变换点上的卷积 由，步锐，孙明超，吴伟，辛欣han和。 介绍 PointCNN是用于从点云进行特征学习的简单通用框架，它刷新了点云处理中的五个基准记录（截至2018年1月23日），包括： ModelNet40的分类精度（ 91.7％ ，仅具有1024个输入点） ScanNet上的分类准确性（ 77.9％ ） ShapeNet零件上的细分零件平均IoU（ 86.13％ ） S3DIS上的平均IoU分割（ 65.39％ ） ScanNet上每个体素标签的准确性（ 85.1％ ） 有关更多详细信息，请参见的（已被NeurIPS 2018接受）。 可以从下载预训练的模
PointCNN程序简介
luthor_lee的博客
10-09 2047
摘要： 简单介绍PointCNN程序具体代码(以modelnet40的分类为例），PointCNN程序调试与运行在此篇博客中有介绍。 数据准备： 数据下载在download_datasets.py中，用于下载modelnet40的主要为这一行 download_and_unzip('https://shapenet.cs.stanford.edu/media/modelnet40_ply...
「论文阅读」PointCNN：Convolution On X-Transformed Points
小麋鹿跑了的博客
03-01 4078
目录 摘要 介绍​ PointCNN Hierarchical Convolution X-Conv Operator PointCNN Architectures 山东大学的工作，将卷积的思想运用到点云。 摘要 由于点云是不规则的和无序的，传统卷积无法直接作用到点云上，为了解决这个问题，我们从点云中学习一个X变换，以达成以下两个目的：1）获得点输入特征的权重；2）将点排列成一个潜在的正规顺序（实现了点云的置换不变形？）。之后就可以对点云X变换之后的特征进行经典的卷积运算。本文主要是对
探索未来驾驶的科技力：PointRCNN - 点云与图像融合的3D对象检测器
gitblog_00013的博客
06-17 299
探索未来驾驶的科技力：PointRCNN - 点云与图像融合的3D对象检测器 去发现同类优质开源项目:https://gitcode.com/ 在人工智能和自动驾驶领域的前沿，我们有幸发现一个令人振奋的开源项目——PointRCNN。这个项目提供了一种新颖的3D对象检测方法，它利用点云数据（通过激光雷达捕捉）和RGB图像信息，为无人驾驶车辆和智能交通系统提供精确的环境感知。 项目介绍 PointR...
研究生文献阅读与笔记技巧
"研究生如何做文献阅读笔记" 研究生在学术研究过程中，文献阅读是必不可少的一环。选择和阅读文献的方法如下： 1. 深入理解背景：在阅读文献时，应全面了解一个主题、概念或领域的历史发展。新旧文献结合阅读，...
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