论文笔记：[CVPR 2019] PointConv： Deep Convolutional Networks on 3D Point Clouds

最新推荐文章于 2023-02-08 16:35:30 发布
最新推荐文章于 2023-02-08 16:35:30 发布
阅读量1.3k 收藏
点赞数
文章标签： 深度学习
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_43154149/article/details/122191786
版权

[CVPR 2019] PointConv： Deep Convolutional Networks on 3D Point Clouds. [tensorflow] [cls. seg.]火

1、四个问题

  1. 解决什么问题
    • CNN使用卷积被证明是成功的，希望将卷积操作搬到3D数据上。
  2. 用什么方法解决
    • 提出了一个在3D数据上的卷积算子，称为：PointConv
    • 用了内存更加高效的办法实现PointConv
    • 在PointConv上扩展到反卷积算子PointDeconv，来获得更加好的分割结果？
  3. 效果如何
    • 在part segmentation 和 indoor semantic segmentation 取得state-of-the-art效果
  4. 还存在什么问题
    • 没有考虑刚性变换如旋转平移？好像在实验中没看到

2、论文概述（待续…）

3、参考资料

翻译——PointConv：基于3D点云的深度卷积网络

PointConv: Deep Convolutional Networks on 3D Point Clouds （CVPR-2019）

算法研究员
关注
CVPR 2019——PointConv: Deep Convolutional Networks on 3D Point Clouds
Dujing2019的博客
07-04 975
PointConv: Deep Convolutional Networks on 3D Point CloudsAbstract（一）Introduction Abstract 将动态滤波器扩展到一个新的卷积运算，即PointConv。 PointConv可以应用于点云以构建深度卷积网络。将卷积核视为由权重和密度函数组成的3D点局部坐标的非线性函数。 提出了一个公式，可以有效地计算权重函数，从而能够大幅扩展网络并显着改善其性能。 学习的卷积核可用于计算3D空间中任何点集上的平移不变和置换不变卷积。 Po
【论文阅读】3D点云 -- PointConv: Deep Convolutional Networks on 3D Point Clouds
magic_ll的博客
11-10 1270
Abstract 与在规则密集网格中表示的图像不同，三维点云是不规则和无序的，因此对其应用卷积可能很困难。在本文中，我们将动态滤波器扩展到一种新的卷积运算，名为PointConv。PointConv可以应用于点云，以构建深度卷积网络。我们将卷积核视为由权重函数和密度函数组成的三维点的局部坐标的非线性函数。对于给定的点，通过多层感知器网络和核密度估计的密度函数学习权函数。这项工作最重要的贡献是提出了一种新的用于有效计算权重函数的重新公式，它使我们能够极大地扩展网络并显著提高其性能。学习的卷积核可用于计算三维空
PointConv: Deep Convolutional Networks on 3D Point Clouds （CVPR-2019）
向上生长的程序媛的博客
08-13 1446
文章创新点： 1、提出了PointConv：PointConv是一种密度重加权卷积，它能够在任何一组3D点上完全逼近3D连续卷积。 2、引入了一种有效提高存储效率的方法来实现PointConv，能够使用改变求和顺序的重构来大大提高存储器效率。最重要的是，它允许扩展到CNN的规模。该方法可以实现与2D卷积网络中相同的平移不变性，以及点云中点的排序的不变性。 3、将PointConv扩展到反卷积—PointDeconv，获得更好的分割结果，而大多数先进算法不能实现反卷积操作。 1、3D点云的卷积 在3D空间中
PointConv: Deep Convolutional Networks on 3D Point Clouds
weixin_43026096的博客
12-01 647
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...
【论文阅读】[CVPR 2019] PointConv： Deep Convolutional Networks on 3D Point Clouds. [cls. seg.]
py今天刷题了吗
10-29 414
论文地址：https://arxiv.org/abs/1811.07246 代码：https://github.com/DylanWusee/pointconv 翻译：https://blog.csdn.net/john_bh/article/details/103959200 文章目录1. Abstractidea：本文贡献 :介绍：参考：我的总结： 1. Abstract 与以规则密集网格表示的图像不同，3D 点云是不规则且无序的，因此对它们应用卷积可能很困难。 在本文中，我们将动态滤波器扩展到..
自动驾驶研究回顾:CVPR 2019摘要
TensorFlowNews
10-24 1149
我们相信开发自动驾驶技术是我们这个时代最大的工程挑战之一，行业和研究团体之间的合作将扮演重要角色。由于这个原因，我们一直在通过参加学术会议，以及最近推出的自动驾驶数据集和基于语义地图的3D对象检测的Kaggle竞赛，来帮助研究社区解决自动驾驶这个挑战。 自动驾驶数据集Level5链接:https://level5.lyft.com/dataset/ Kaggle竞赛链接:https://www.k...
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 5047
文章目录摘要简介：2 背景2.1 数据集2.2 衡量指标3 3D形状分类3.1基于多视角的方法3.2基于体素的方法3.3 基于点的方法3.3.1逐点MLP网络3.3.2基于卷积的网络3.3.3基于图的网络3.3.4基于数据索引的方法3.3.5其他方法小结4 3D物体检测与跟踪4.1 3D物体检测4.1.1 基于候选区域的方法4.1.2 single-shot方法4.2 3D对象跟踪4.3 3D场景流估计4.4 小结：5 3D点云分割5.1 3D 语义分割5.1.1 基于投影的方法5.1.2 基于离散的方法5
三维点云语义分割【综述】 ——Deep Learning for 3D Point Clouds: A Survey
热门推荐
Dujing2019的博客
02-16 1万+
3D POINT CLOUD SEGMENTATION3D Semantic SegmentationProjection-based NetworksPoint-based NetworksInstance SegmentationProposal-based MethodsProposal-free MethodsPart SegmentationSummary 3D点云分割需要了解全局几何结...
图像风格迁移cvpr2020_GitHub - wty2019/CVPR2020-Code: CVPR 2020 论文开源项目合集
weixin_39689297的博客
01-13 1032
CVPR2020-CodeCVPR 2020 论文开源项目合集，同时欢迎各位大佬提交issue，分享CVPR 2020开源项目关于往年CV顶会论文(如ECCV 2020、CVPR 2019、ICCV 2019)以及其他优质CV论文和大盘点，详见： https://github.com/amusi/daily-paper-computer-visionCNNExploring Self-attent...
论文阅读 | PointConv: Deep Convolutional Networks on 3D Point Clouds
bettii的博客
01-09 156
通过MLP和点密度来估计点卷积的卷积核权重的方法，发表在CVPR2019
Fast Object Detection in 3D Point Clouds Using Convolutional Neural Networks
04-08
Abstract— This paper proposes a computationally efficient approach to detecting objects natively in 3D point clouds using convolutional neural networks (CNNs). In particular, this is achieved by leveraging a feature-centric voting scheme to implement novel convolutional layers which explicitly exploit the sparsity encountered in the input. To this end, we examine the trade-off between accuracy and speed for different architectures and additionally propose to use an L1 penalty on the filter activations to further encourage sparsity in the intermediate representations. To the best of our knowledge, this is the first work to propose sparse convolutional layers and L1 regularisation for efficient large-scale processing of 3D data. We demonstrate the efficacy of our approach on the KITTI object detection benchmark and show that Vote3Deep models with as few as three layers outperform the previous state of the art in both laser and laser-vision based approaches by margins of up to 40% while remaining highly competitive in terms of processing time.
点云卷积“PointConv: Deep Convolutional Networks on 3D Point Clouds”
cv_family_z的博客
06-28 2798
PointConv: Deep Convolutional Networks on 3D Point Clouds 参考借鉴了https://baijiahao.baidu.com/s?id=1631407236773911746&wfr=spider&for=pc 与在致密网格中的图像不同，3D点云是不规则且无序的，论文提出了PointConv，将卷积核看作3D点局部坐标的非...
[论文简述+翻译]PointConv: Deep Convolutional Networks on 3D Point Clouds(CVPR 2019)
最新发布
Javier.Lin_HUST的博客
02-08 1051
与规则稠密网格表示的图像不同，三维点云是不规则和无序的，因此对其进行卷积是困难的。本文将动态滤波器扩展为一种新的卷积操作，命名为PointConv。Point Conv可应用于点云构建深度卷积网络。我们将卷积核视为3D点局部坐标的非线性函数。这个非线性函数由权重和密度函数组成。对于给定的点，通过核密度估计，利用多层感知器网络和密度函数学习权重函数。这项工作最重要的贡献是提出了一种新的重新制定方法，以有效地计算权重函数，从而使我们能够大幅扩大网络的规模，并显著提高其性能。
PointConv: Deep Convolutional Networks on 3D Point Clouds学习笔记
路&客的博客
01-19 763
PointConv: Deep Convolutional Networks on 3D Point Clouds Wenxuan Wu, Zhongang Qi, Li Fuxin CORIS Institute, Oregon State University
【3D计算机视觉】PointConv——在点云上高效实现卷积操作
小执着的博客
05-24 6141
PointConv: Deep Convolutional Networks on 3D Point Clouds 阅读笔记一、摘要二、模型2.1 卷积定义2.2 模型结构2.2.1 卷积操作2.2.2 高效卷积2.2.3 反卷积三、实验 论文地址：https://arxiv.org/pdf/1811.07246.pdf 代码地址：https://github.com/DylanWusee/poi...
3D Point Cloud Registration for Localization using a Deep Neural Network Auto-Encoder阅读笔记
Vodake的博客
04-15 4911
LORAX(LOcalization by Registration using a deep Auto-encoder reduced Cover Set) 1. Random Sphere Cover Set (RSCS) 2. Selection of a Normalized Local Coordinate System for each Super-point 3. Depth...
PointConv：基于3D点云的深度卷积网络
3D视觉工坊
11-20 4033
原文首发于微信公众号「3D视觉工坊」——PointConv：基于3D点云的深度卷积网络 本文出自知乎： https://zhuanlan.zhihu.com/p/69597887?utm_source=wechat_session&utm_medium=social&utm_oi=1135649954939883520 原文： PointConv: Deep Convol...
3D点云论文汇总-实时更新
WZZ18191171661的博客
03-20 7859
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation-CVPR2017-论文链接-tensorflow代码-pytorch代码 PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space-NIPS20...
PointConv解读
weixin_43026096的博客
12-09 2212
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...
CVPR2019：深度解析多任务信息技术竞赛成果
CVPR2019论文集中，研究者们聚焦于解决关键问题，包括但不限于： 1. **对象检测与识别**： - 28分割任务旨在精细地识别图像中的不同部分，这对于自动驾驶、视频监控等领域至关重要。 - 36分类任务关注对各类物体...
评论
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