- 博客(10)
- 收藏
- 关注
RSS订阅翻译 Patch-based Progressive 3D Point Set Upsampling
方法在本文中，给定无序的3D点集，对点集采用一个端到端的渐进式学习的方法，即通过训练一个基于补丁的多步骤网络，在不同的细节级别学习信息。如图2和3所示，本文所提出的模型由一系列上采样网络单元组成，每个单元具有相同的结构，但是是在不同的细节级别上使用它，并且所有级别的信息都通过在单元内部和单元之间的内部和内部连接共享。通过对所有网络单元进行端到端的逐步培训，在以前的工作上取得了重大改进。1...
2020-01-03 14:13:35
1551
原创 pointnet代码理解
PointNet：Deep Learning on Point Sets for 3D Classification and SegmentationPointNet Architecture分类点云（nx3-nx64）def get_model(point_cloud, is_training, bn_decay=None): """ Classification Poin...
2019-12-25 11:38:29
1414
原创 PointNet \ PointNet++ \ PointConv 架构分析
PointNet1、网络基本组成：（1）T-Net：先将不同旋转平移的原始点云进行规范化；再对点云特征进行规范化。（2）MLP多层感知机：n个共享权重的MLP用于处理n个点/特征。（3）Max pooling：融合多个特征并得到全局的1024维的特征。（4）根据任务的不同，利用一个MLP实现分类；结合局部信息利用多个MLP实现分割。2、T-Net-通过学习出变化矩阵来对输入的点运货...
2019-12-15 12:19:44
2063
原创 PointConv解读
PointConv：Deep Convolutional Networks on 3D Point Clouds摘要传统的卷积是作用在二维图像数据上，图像数据通常可以表示成密集的网格形式。在CNN中，每个滤波器被限制在一个小的局部区域内，例如3×3；5×5等。在每个局部区域内，不同像素之间的相对位置总是固定的，如图（a）所示。并且我们可以容易地将滤波器离散化，成为具有局部区域内的每个位置的实值...
2019-12-09 21:24:53
2150
1
原创 PU-Net：Point Cloud Upsampling Network
摘要本文提出了一种数据驱动的点云上采样技术，关键思想是学习每个点的多级特征，并通过隐含在特征空间中的多分支卷积单元扩展点集。 然后将扩展的特征拆分为多个特征，然后将其重构为上采样点集。 该网络是在补丁级别应用的，具有联合损失函数，该函数鼓励向上采样的点以均匀分布的形式保留在基础表面上。实验结果表明，本文的上采样点具有更好的均匀性，并且更靠近下层表面。与之前的工作不同，本文是学习基于点的几何语义...
2019-12-08 17:40:21
1339
翻译 Unsupervised Open Domain Recognition by Semantic Discrepancy Minimization
Unsupervised Open Domain Recognition by Semantic Discrepancy Minimization一种机器视觉元算法，可使用侧扫声纳图像自动识别水下物体摘要我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：全新的界面设计 ，将会带来全新的写作体验；在...
2019-12-01 19:56:53
474
翻译 PointConv: Deep Convolutional Networks on 3D Point Clouds
摘要图像数据通常可以表示成密集的网格形式，而三维的点云数据通常是不规则的无序的。因此，在点云数据上使用卷积是困难的。本文将动态滤波器拓展为一种新的卷积操作——PointConv。PointConv可以应用于点云进而搭建深度卷积网络。我们把卷积核视作一个作用在局部三维点坐标系上的由权重和密度函数组成的非线性函数。给定一个点，权重函数可以通过多层感知网络习得，而密度函数可以通过核密度估计来得到。本文...
2019-12-01 19:56:10
589
翻译 Point Cloud Super Resolution with Adversarial Residual Graph Networks
对抗残差图网络的点云超分辨率摘要点云超分辨率是3D重建和3D数据理解的基本问题。它以低分辨率（LR）点云作为输入，并生成具有丰富细节的高分辨率（HR）点云。在本文中，我们提出了一种基于图网络和对抗性损失的数据驱动的点云超分辨率方法。所提出网络的关键思想是探索点云的局部相似性，并在LR输入和HR输出之间进行类比。对于前者，我们设计了具有图卷积的深度网络。对于后者，我们建议将残差连接添加到图卷积中...
2019-12-01 19:46:28
1720
2
翻译 Segmentation of Sidescan Sonar Imagery Using Markov Random Fields and Extreme Learning Machine
Segmentation of Sidescan Sonar Imagery Using Markov Random Fields and Extreme Learning Machine利用马尔可夫随机场和极限学习机侧扫声纳图像分割介绍本文提出了一种基于MRF和ELM的分割侧扫声纳图像的新方法，作用在高光区、阴影区和海底混响区域。具体来说，本文是使用ELM来获得MRF的初始模型；为了提高E...
2019-11-13 10:17:26
318
翻译 基于深度学习的水下声纳图像分类方法研究
本文是哈尔滨工程大学2018年的一篇硕士论文，作者是焦佳。摘要结合水下声纳图像的特点，研究深度学习相关理论与研究方法后，为水下声纳图像的分类构建深度信念网络（Deep Belief Network, DBN）和卷积神经网络（Convolutional Neural Network, CNN），并进行相应的分类实验。实验结果表明，CNN 的分类效果优于 DBN，但 CNN 中滤波器权值矩阵初始化...
2019-11-12 10:15:27
4701
5
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人