PointNet、PointNet++原理解析

已于 2023-06-14 15:37:27 修改
阅读量8k 收藏 139
点赞数 20
分类专栏： 机器视觉 文章标签： 机器视觉
于 2023-05-22 11:52:52 首次发布
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_43321489/article/details/130804226
版权

PointNet 算法结构

在这里插入图片描述

PointNet 原理解析

已知：
N个点，每个点的信息x,y,z。
MLP: MLP(Multi-Layer Perceptron)，即多层感知器，是一种趋向结构的人工神经网络，映射一组输入向量到一组输出向量。
简单的可以用全连接网络实现，复杂的可以用卷积网络实现。
在这里插入图片描述

原理

（1）第一步 MLP

对每个点进行MLP操作，即：3~> MLP(3,C1) ~>C1其中3、C1是MLP的输入和输出维度，此时这个点的特征数由原来的3变成了C1 。
将点云的每个点都经过以上操作，得到：N * 3~>MLP(3 * N,C1) ~>N * C1
在这里插入图片描述
在这里插入图片描述

小结：没个点的特征由3变成了64，又称超维特征、冗余特征。

（2）第二步 Max Pool

将MLP得到的结果进行max pool操作，max pool的目的是为了：pointNet网络改变点的输入顺序不会影响最终输出的结果。
MLP得到的结果可以看作是N * C1的矩阵，max pool操作是对N * C1矩阵的C1列进行max操作，得到1 * C1的矩阵。即N * C1~>1 * C1 。
在这里插入图片描述
小结：max pool 是pointNet的算法核心。mean或min也能做到但max更好。

（3）第三步 分类器（分类任务）

将max pool的结果经过一个分类器，得到最后的分类结果，pointnet网络的作用是点云的分类。分类器一般用MLP网络来实现。
在这里插入图片描述

算法概括：PointNet = shared MLP + max pool

（1）PointNet考虑到了全局性特征的方向拼接处理，但是忽视了点云局部特征的捕获。
（2）PointNet本身已经具备对点云的全局特征提取能力。
在这里插入图片描述

PointNet 网络输入输出Shape

  • 可以看作，网络输入是具有C1维度特征的n个点，网络输出是具有C2特征维度的1个点，即：n1C1 ~> 1C2
  • tensor(B,n,C1) ~> tensor(B,1,C2)，其中B为批数batch

分割任务

分割：将每个点进行分类，就可以做分割操作！！
网络结构：全局特征+每点自身的高纬度特征 ~> 分类器
在这里插入图片描述

PointNet++ = 局部特征提取（以set abstraction为单位） + PointNet + 分割任务+分类任务

优秀参考文献

从PointNet到PointNet++理论及pytorch代码
PointNet++详解与代码
基于PyTorch实现PointNet++

PointNet++ 网络结构

在这里插入图片描述

要弄清楚的几个问题

  1. PointNet不足之处？
    PointNet存在的一个缺点是无法获得局部特征，这使得它很难对复杂场景进行分析。
    在PointNet中，网络对每一个点做低维到高维的映射进行特征学习，然后把所有点映射到高维的特征通过最大池化最终表示全局特征。对点云数据做平移操作后，所有的数据都将发生变化，导致所有的特征，全局特征都不一样了。对于单个的物体还好，可以将其平移到坐标系的中心，把他的大小归一化到一个球中，但是在一个场景中有多个物体时则不好办，需要对哪个物体做归一化呢？
  2. PointNet++的改进？
    PointNet++中，作者通过两个主要的方法进行了改进，使得网络能更好的提取局部特征。
    第一，利用空间距离（metric space distances），使用PointNet对点集局部区域进行特征迭代提取，使其能够学到局部尺度越来越大的特征。
    第二，由于点集分布很多时候是不均匀的，如果默认是均匀的，会使得网络性能变差，所以作者提出了一种自适应密度的特征提取方法（MSG、MRG）。通过以上两种方法，能够更高效的学习特征，也更有鲁棒性。
  3. 如何实现局部特征提取？
    在PointNet++中局部特征提取的过程和CNN网络的特征提取过程类似，首先提取低级别的特征，随着感受野的增大，提取的特征level越来越高。
    实现局部特征提取需要解决两个关键的问题：第一，如何将点集划分为不同的区域；第二，如何利用特征提取器获取不同区域的局部特征。这两个问题实际上是相关的，要想通过特征提取器来对不同的区域进行特征提取，需要每个分区具有相同的结构。这里同样可以类比CNN来理解，在CNN中，卷积块作为基本的特征提取器，对应的区域都是（n, n）的像素区域。而在3D点集当中，同样需要找到结构相同的子区域，和对应的区域特征提取器。
    PointNet++算法中，作者使用了PointNet作为特征提取器，另外一个问题就是如何来划分点集从而产生结构相同的区域。作者使用邻域球来定义分区，每个区域可以通过中心坐标和半径来确定。中心坐标的选取，作者使用了最远点采样算法算法(FPS) 来实现。
  4. 鉴于点集分布很多时候是不均匀的情况，如何实现自适应密度的特征提取方法（MSG、MRG）？

参考文献
【1】https://blog.csdn.net/cg129054036/article/details/105545895

要弄清楚的几个概念

  • FPS
  • DP
  • SSG
  • MSG
  • MRG
  • sampling
  • grouping
  • sa、set absraction
  • PointNet
  • CNN的多层感受野的思想
  • MLP

set abstraction layers

每一组set abstraction layers主要包括3个部分：

  • Sample layer：主要是对输入点集进行采样，选出若干个中心点。
  • Grouping layer：利用上一步得到的中心点将点集划分成若干个区域。
  • PointNet layer：是对上述得到的每个区域进行编码，变成特征向量。

采样（最远点采样FPS）

  • 结果：点数发生变化，，特征数通道数不变。N（源点集点数）~> N1（采样后点集点数） ，这些采样点被称为源点集的中心点centroids。
  • 输入输出shape：tensor(B,N,C) ~> tensor(B,N1,C)，其中B为批数batch，N、N1是采样前后点数，C是每个点的特征数。
  • 函数简介：
def farthest_point_sample(xyz, npoint):
    """ 
    Input:
        xyz: pointcloud data, [B, N, C]
        npoint: number of samples
    Return:
        centroids: sampled pointcloud data, [B, npoint, C]
    """

在这里插入图片描述

Grouping layer

在源点集，人工设定半径r，以每个采样点为球心画球，目的是分组。为了方便batch操作，每一个局部区域内的点的数量是一致的，都为K，如果某个圆内的点的数量小于K, 则可以重复采样圆内的点，达到数量K；如果某个区域内的点的数量大于K, 则随机选择K个点，即可。group操作得到的结果如下图所示，可以形成很多小的局部区域。
在这里插入图片描述

sample and group 函数简介

输入输出shape：tensor[B, N, 3] ~> tensor[B, npoint, nsample, 3] ，或者 tensor[B, N, D] ~> tensor[B, npoint, nsample, 3+D]

def sample_and_group(npoint, radius, nsample, xyz, points, returnfps=False):
    """
    Input:
        npoint:
        radius:
        nsample:
        xyz: input points position data, [B, N, 3]
        points: input points data, [B, N, D]
    Return:
        new_xyz: sampled points position data, [B, npoint, nsample, 3]
        new_points: sampled points data, [B, npoint, nsample, 3+D]
    """

局部特征提取层 PointNet layer

  • 输入输出shape：tensor(B, M, K, C0) ~> tensor(B, M, C)
  • 过程：
    经过了sample和group操作，整个大点云被分成了很多个有overlap的小点云, 整个完整点云可表示为shape=(B, M, K, C0)的tensor, B表示批数，M表示中心点的数量, K表示每个中心点的球邻域内选择的点的数量, C0是特征维度, 初始输入点特征维度C0=3或C0=6(加上normal信息)。接下来就是利用PointNet对每个group点云(shape=(K, C0))进行特征提取，得到当前group点云的特征F(shape=( C )。每个group点云(K, C0)经过PointNet得到特征F©， 那么一个batch的数据shape=(B, M, K, C0), 经过PointNet模块后, 将会得到维度为(B, M, C)的特征。
    在这里插入图片描述

set abstraction

源点云tensor(B, N, C0) ~> sapling andgrouping ~> tensor(B, M, K, C1) ~> 每个group区域通过PointNet进行特征提取 ~> tensor(B, M, C1)
上面就是一次set abstraction操作了，PointNet++是有3次set abstraction操作的：

  • 第一次： (B, N, C0) ~> (B, M1, C1) , 其中C0 = 3 或 C0=6(加上normal信息)；
  • 第二次： (B, M1, C1+3) ~> (B, M2, C2)，其中加了3, 这是在学到特征的基础上又加了位置信息(x, y, z)；
  • 第三次:：(B, M2, C2+3) ~> (B, C3) ；

注意： 这里有一个细节问题, 可以看到C1和C2后面都加了3, 这是在学到特征的基础上又加了位置信息(x, y, z), 重新作为新的特征来送入PointNet网络。
示意图1
示意图1

PointNet++中的分类任务

在提取了点云的特征(C3,)之后, 接下来就和图像里的分类任务一样了，C3维的特征作为输入，然后通过通过两个全连接层和一个分类层(分类层的是输出节点等于类别数的全连接层),输出每一类的概率。损失函数采用的是交叉熵损失函数，对应PyTorch中的nn.CrossEntropy() 。

PointNet++中的分割任务

分割任务需要对点云中的每个点进行分类，而PointNet++中的set abstraction由于sampling操作减少了输入点云中的点的数量，如何进行上采样使点云数量恢复输入时的点云数量呢?
在图像分割任务中，为了恢复图像的分辨率, 往往采用反卷积或者插值的方式来操作呢, 在点云中该如何恢复点云的数量呢?
其实，在PointNet++中的set abstraction模块里，当前点云Q和下采样后的点云Q’的中的点位置信息一直是保存的，点云的上采样就是利用了这一特性。这里利用二维图直观的解释一下，下方左图中红色的倒三角形表示下采样后的点云Q’, 蓝色的点云表示下采样之前的点云Q, 点云里的上采样就是用PointNet学习后的点云Q’的特征表示下采样之前点云Q的特征。采用的方式是k近邻算法，论文中k=3。如图所示，对于Q中的每一个点O，在Q’中寻找其最近的k个点，基于距离加权(距离O近，其权重大; 距离O远, 其权重大)求和这k个点的特征来表示点O的特征，具体计算方式为:
在这里插入图片描述
上采样得到了C’维的特征, 而且点的数量已经恢复到了下采样之前的数量; 将C’维的特征与set abstraction中相同点数量的点云(对称位置)特征(C维)进行进行concat操作，进而进行多个 Conv1d + Bn + ReLU操作，来得到新的特征。
经过三次上采样操作后，点云恢复了初始输入点云中点的数量, 再经过一次conv1d + bn + relu层 和一个对点的分类层，最终得到对每个点的分类。如下图：
在这里插入图片描述

SSG、MSG, MRG架构

上述文章主要介绍了PointNet++的SSG(single scale grouping), 为了解决点云中密度分布不均匀的问题，作者提出了MSG(multi-scale grouping)和MRG(multi resolution grouping). 下面这张图是作者论文里的图(在ModelNet40数据集上的实验), 测试了PointNet, SSG, MSG, MRG的性能，横坐标表示的是在预测时点云中点的数量，纵坐标表示的是准确率。从图中可以看到, 在点的数量较多时，SSG, MRG, MSG性能相近，明显高于PointNet; 但随着点云中的点的数量下降，准确率明显下滑的有两条线，有轻微下降趋势的有四条线。明显下滑的两条线是没有采取DP策略的。 即使是PointNet网络在采取了DP策略后，其性能在点的数量小于600也会明显高于SSG.。由此可见，DP在解决点云密度不均匀时发挥了重要作用, 而MSG, MRG貌似显得没那么重要 ? 这里就简单介绍一下MSG的思想。
点云分布不一致时，每个子区域中如果在生成的时候使用相同的半径r，会导致有些区域采样点过少。

作者提到这个问题需要解决，并且提出了两个方法：Multi-scale grouping (MSG) and Multi-resolution grouping (MRG)。下面是论文当中的示意图。MSG、MRG详细讲解请参考https://blog.csdn.net/cg129054036/article/details/105545895
在这里插入图片描述
MSG、MRG详细讲解请参考https://blog.csdn.net/cg129054036/article/details/105545895

在这里插入图片描述
MSG是指在每次Set Abstraction的时候, 在对某个中心点centroid进行group操作的时候采用不同尺寸(例如0.1, 0.2, 0.4, SSG只有0.2)的半径, 来得到不同大小的局部区域，分别送到不同的PointNet网络中，最终把这些学习到的不同尺度的特征进行concat操作来代表当前中心点centroid的操作。

参考

点云如何数据增强 ?

点云不同于图像，图像中有随机裁剪、缩放、颜色抖动等数据增强方式。在点云里，应该如何做数据增强呢?
点云的数据增强主要包括: 随机旋转，随机平移，随机抖动等, 具体实现代码参考: https://github.com/zhulf0804/Pointnet2.PyTorch/blob/master/data/provider.py
参考

DP有什么用，是怎么实现的 ?

DP指的是在训练时随机丢弃一些输入点(DP means random input dropout during training)，这样的训练方式对于预测低密度点云较为有效(相对于输入点云), 即在高密度点云中训练的模型，在低密度点云中进行预测，可以达到和训练集中旗鼓相当的效果。具体来说，人工设置超参数p(论文中p=0.95), 从[0, p]中随机出一个值dr(drouout ratio), 对于点云中的每一个点，随机产生一个0-1的值, 如果该值小于等于dr则表示该点被丢弃。这里有一个细节，某些点被丢弃之后，每个batch中的点的数量就不相同了，为了解决这个问题，所有被丢掉的点使用第一个点代替，这样就维持了每个batch中点的数量相同。
参考

PointNet++中的Tensor变化过程

骨干网络tensor结构

Input data
tensor(B, N, 6)
->
Set Abstraction.sample
input tensor(B, N, 6)
output tensor(B, 512, 3)
->
Set Abstraction.group
input tensor(B, 512, 3)
output tensor(B, 512, 32, 6)
->
Set Abstraction.PointNet
input tensor(B, 512, 32, 6)
output tensor(B, 512, 32, 128)
->
max Pooling
input tensor(B, 512, 32, 128)
output tensor(B, 512, 128)
->
Set Abstraction.sample
input tensor(B, 512, 128)
output tensor(B, 128, 3)
->
Set Abstraction.group
input tensor(B, 128, 3)
output tensor(B, 128, 64, 128 + 3)
->
PointNet(B, 128, 64, 256)
input tensor(B, 128, 64, 128 + 3)
output tensor(B, 128, 64, 256)
->
max Pooling
input tensor(B, 128, 64, 256)
output tensor(B, 128, 256)
->
Set Abstraction.sample
input tensor(B, 128, 256)
output tensor(B, 1, 3)
->
Set Abstraction.group
input tensor(B, 1, 3)
output tensor(B, 1, 128, 256 + 3)
->
Set Abstraction.PointNet
input tensor(B, 1, 128, 256 + 3)
output tensor(B, 1, 128, 1024)
->
max Pooling
input tensor(B, 1, 128, 1024)
output tensor(B, 1, 1024)
->
Features(B, 1, 1024)

分类模块

Features(B, 1024) -> FC(B, 512) -> FC(B, 256) -> Output(B, n_clsclasses)

分割模块

Features(B, 1, 1024) 全局特征
->
FP.unsapmling 上采样
input tensor(B, 1, 1024)
output tensor(B, 128, 1024)
->
FP.concat 特征拼接
input tensor(B, 128, 1024)
output tensor(B, 128, 1024+256) 全局特征+每个点的超维特征
->
FP.PointNet
input tensor(B, 128, 1024+256)
output tensor(B, 128, 256)
->
FP.unsampling
input tensor(B, 128, 256)
output tensor(B, 512, 256)
->
FP.concat
input tensor(B, 512, 256)
output tensor(B, 512, 256+128)
->
FP.PointNet
input tensor(B, 512, 256+128)
output tensor(B, 512, 128)
->
FP.unsampling
input tensor(B, 512, 128)
output tensor(B, N, 128)
->
FP.concat
input tensor(B, N, 128)
output tensor(B, N, 128+6)
->
FP.PointNet
input tensor(B, N, 128+6)
output tensor(B, N, 128)
->
Conv1d(B, N, 128)
->
Conv1d(B, N, n_segclasses)

PointNet、PointNet++ | 论文阅读笔记

摘要

  • PointNet 的不足：无法很好的提取局部点集特征。
  • 如何划分输入的3D点集，进而应用分层次的网络？
  • 如何连接不同尺度的特征，来应对点云密度的变化？
  • 本文提出新的网络架构，PointNet++

Introduction

  • 我们提出分一个分层次的神经网络，PointNet++，可以在不同的层次内（也即是不同半径内）直接处理点集。PointNet++ 的基本思想很简单。我们首先将输入点云划分为具有重叠的局部小区域。类似于 CNNs，我们从小的邻域内提取更为精细的特征，然后将局部的特征进一步聚合为大的区域，进而处理得到更高层次的特征。这个处理是重复的，直到我们获取了全部点集的特征。
  • PointNet++ 需要处理2个问题：如何将输入点集划分为小的邻域？如何学习局部邻域点集的特征？这两个问题是相关的，因为点集的划分会产生一系列一般的局部结构（common structure），那么局部特征学习器可以权重共享（正如卷积的设定一样）。我们选择 PointNet 作为局部特征学习器，它在处理无序点云上是非常有效的。此外，该网络对点云的波动具有稳定性。作为一个基础模块，PointNet 将局部点或特征集抽象成更高级层次的表示。这样，PointNet++ 可以递归的将 PointNet 应用于被网状划分的输入点集。

点集抽象层 Set Abstraction Levels

我们的分层结构是由一系列点集抽象层（Set Abstraction Levels）组成，参考 Fig2。在每一个层次，一组点被处理和抽象，并产生一组新的点集（具有更少的点）。点集抽象层包含三个关键层：Sampling Layer，Grouping Layer and PointNet Layer. Sampling Layer 从输入点集中采样一部分点，这些点就是局部邻域的中心。Grouping Layer 根据邻域中心，选择局部的邻域点集。 PointNet Layer 使用一个迷你的网络（Mini-PointNet）编码局部邻域的特征。

密度自适应层

如 Fig1 中的扫描点云一样，不同的区域密度也是不一样的（近处稠密，远处稀疏），这是个很常见的现象。
在这里插入图片描述

参考文献

（1）
pointNet
pointNet++

视频

斯坦福大学在读博士生祁芮中台：点云上的深度学习及其在三维场景理解中的应用_哔哩哔哩_bilibili

参考文献

【1】深蓝学院
【2】https://blog.csdn.net/weixin_43321489/article/details/127778251

干了这碗汤
关注
专栏目录
【三维目标分类】PointNet++详解（一）
叶子的博客
05-07 1万+
三维目标分类 — PointNet++详解（二），详细介绍PointNet++，含数据、代码和原理直观解析。​ 上一节主要介绍了PointNet分类，本节将进一步介绍PointNet++点云分类。本节仍然参考Github上的源码进行介绍，PointNet采用全局最大值池化的方式对全体点云进行了特征抽取，这导致了对局部特征的考虑不足。PointNet++通过分组采用PointNet的方式对局部特征进行了提取。GitHub地址为GitHub - yanx27/Pointnet_Pointnet...
PointNet++点云处理TensorFlow版
08-29
三维点云是物理世界的三维数据表达形式，其应用日益广泛，如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。PointNet++是点云处理深度学习里程碑式的工作，启发了很多后续研究。 原作的PointNet++代码使用Python2.7和tensorflow1.4。本课程将PointNet++代码更新至Python3并在tensorflow1.13上演示。  本课程对TensorFlow版的PointNet++进行原理讲解、论文复现和代码详解。包括：   （1）提供三维点云数据集ModelNet40、ShapeNet和Scannet的下载、可视化软件和方法； （2）在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试； （3）详解PointNet++的原理、程序代码和实现细节，并使用PyCharm进行Debug调试代码和单步跟踪。
PointNet++分类与分割详解
weixin_41202834的博客
04-22 5201
前言 PointNet++是一个用于对不规则形状的点云数据进行分类和分割任务的深度神经网络。相对于传统的基于网格的3D数据表示方法，点云数据更易于获取和处理。PointNet++的另一个优势是它引入了多尺度层次结构，可以处理更为复杂的点云数据。相比于第一版的PointNet网络作者提出了许多新的想法，也取得了很不错的效果。PointNet算法存在的问题（1）一幅点云图像点数量太多，这会...
Pointnet++网络详解
ice
08-03 7804
pointnet和pointnet++简直就是点云深度学习界的resnet呀，经典永流传。本博文将结合论文和代码来详细地分析pointnet++网络，包括最远点采样方法，网络结构等。
PointNet++改进策略 ：模块改进 | Transformer| Point Transformer， 使用Transformer架构引入到3D点云任务中提升模型精度
最新发布
u012901740的博客
09-12 1163
提出了Point Transformer层：基于自注意力机制，设计了适用于3D点云处理的自注意力层。由于点云本质上是嵌入到3D空间中的点集，自注意力机制在这种情况下很自然地适用。该层对点的排列顺序不敏感，适用于3D点云数据。用于多种3D理解任务：作者通过Point Transformer网络，处理语义场景分割、物体部分分割和物体分类等任务，展示了模型在不同领域的广泛适用性。实验表明，Point Transformer在多个基准数据集上取得了最新的最佳性能。实验结果。
PointNet++点云处理精讲(PyTorch)
08-11
三维点云是物理世界的三维数据表达形式，其应用日益广泛，如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。作为点云处理深度学习方法的里程碑工作，启发了很多后续研究。本课程对PyTorch版的PointNet++进行原理讲解、论文复现和代码详解。包括：  （1）提供三维点云物体分类数据集ModelNet40、物体部件分割数据集ShapeNet和场景分割数据集S3DIS的下载、可视化软件和方法；（2）在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试；（3）详解PointNet++的原理、程序代码和实现细节，并使用PyCharm进行Debug调试代码和单步跟踪。需要学习TensorFlow版PointNet++的学员可前往本人推出了课程《PointNet++点云处理TensorFlow版》
最全PointNet和PointNet++要点梳理总结
热门推荐
DAOCHI
11-12 3万+
一、基本简介 本篇博文主要是对 PointNet，PointNet++ 论文的要点进行梳理和总结。认真阅读本博文后，不仅能够深刻理解论文的核心算法思想，而且对模型训练数据的准备和模型的训练细节也能了然于胸。如果想阅读原论文，参考下面的链接资源，附有本人对原论文的中文翻译。 PointNet论文翻译，附链接。 PointNet++论文翻译，附链接。 二、PointNet 解决了什么问题？ a. 由于卷积网络在2D图像上的兴起，很多研究者开始将神经网络应用于3D点云数据。但是，大部分工作都是将3D
综述|PointNet、PointNet++、 F-PointNet基于深度学习的3D点云分类和分割
qq_29462849的博客
09-23 3095
点击下方卡片，关注计算机视觉工坊公众号干货第一时间送达作者：黎国溥，3D视觉开发者社区签约作者，CSDN博客专家，华为云-云享专家。编辑：3D视觉开发者社区 前言Poin...
太实用了！20分钟快速理解【PointNet网络】，妥妥的！
Leeniux
08-10 7459
在本文中，我们探索了能够处理 点云的深度学习架构。典型的卷积架构需要高度规则的数据，如图像或体素，以便执行权重共享和优化。由于点云不是常规格式，因此大多数研究人员通常将此类数据转换为常规体素或图像（例如俯视图），然后再将它们提供给网络。然而，这种转换使生成的数据变得不必要地庞大——同时还掩盖了数据自然不变性。出于这些原因，我们使用简单的点云来表示输入， 并将我们的网络命名为 PointNets。点云是简单而统一的结构，避免了组合的不规则和复杂性，因此更容易学习。...
spring net IOC+AOP 源码 网络收集
02-06
通过阅读源码，我们可以更深入地理解Spring.NET的内部工作原理，比如如何解析配置，如何创建和管理Bean，以及AOP的实现细节。 总之，Spring.NET的IOC和AOP功能为企业级应用程序提供了一种强大的架构模式，使代码...
deep_learning_net_end_points.rar
11-21
在深度学习领域，神经网络模型...总的来说，"deep_learning_net_end_points.rar"提供的信息对于研究、开发和应用深度学习模型是极其宝贵的资源，无论是进行特征提取、模型调整还是深入理解这些先进模型的内部工作原理。
第5节：点云补全PF-Net论文解读.zip
10-11
PF-Net（Point Flow Network）是该领域的一种创新性方法，它专注于处理不完整的3D点云数据，通过深度学习的方式进行点云的恢复与补全。在本节中，我们将深入解析PF-Net论文的核心思想、算法架构以及其实现细节。 ...
计算机网络知识总结++计算机网络+-+学习笔记.pdf
10-10
还提到了ARP（Address Resolution Protocol，地址解析协议），它用于将IP地址解析成MAC地址。还有IGMP（Internet Group Management Protocol，互联网组管理协议），用于管理多播组。 在网络层，文档提及了IP协议的...
PointNet++详解
qq_24505417的博客
09-22 9797
PointNet++：使用set abstraction结构逐层提取特征，采样后的点融合了邻域点的特征信息，同时每次采样只保留一半的点云，后续网络层的感受野逐渐扩大，最后通过聚合函数得到紧密的全局点云特征表示。 Set abstraction 包括 sampling，grouping 和PointNet三部分： 1）sampling：对输入点云进行采样，只保留部分点进入下一层网络。采样数一般是输入点云总数量的一半， 采样算法是Farthest point...
PointNet++
chengle的博客
06-24 5272
[NIPS 2017]PointNet++: Deep Hierarchical Feature Learning onPoint Sets in a Metric Space 语雀（原文内容多一点，CSDN导不进来） [论文地址][项目页面][GitHub] 在之前的文章中分析了PointNet网络是如何进行3D点云数据分类与分割的。但是PointNet存在的一个缺点是无法获得局部特征，这使得它很难对复杂场景进行分析。在PointNet++中，作者通过两个主要的方法进行了改进，使得网络能更好的提取局部
Win10系统下复现Pointnet++（pytorch）
ice
07-31 9839
本博客主要关注pointnet++三个任务的训练过程，分别为分类网络，部件分割网络以及语义分割网络，而且该项目代码中也缺少预测代码（只有test.py代码，用来验证得到评价指标的），也就是缺少可视化代码，后面在新的博文中也会分享一下pointnet++网络结构及代码，以及分类网络和部件分割网络的可视化代码部分。如果博客中哪里出现有错误，还请各位大佬指正。
深度学习-3D点云实战系列
07-13
深度学习3D点云实战系列课程旨在帮助同学们快速掌握点云数据处理，特征提取与建模应用。通俗讲解点云领域各大方向应用与核心算法，基于论文讲解Pointnet系列算法知识点并详解其网络模型架构。所有算法均配套实战项目，内容主要包括poinenet系列点云分类与分割，点云补全，点云配准等项目，全部基于实际数据集进行源码解读。整体风格通俗易懂，提供全部数据与代码。 
基于深度学习方法的点云算法3——PointNet++（点云分类分割）
zhazhaqiangdedad的博客
06-09 7255
按设计，PointNet无法捕获由度量空间点所产生的局部结构，限制了其识别细粒度模式的能力以及对复杂场景的推广能力。本文介绍了一种分层神经网络（hierarchical neural network），它将点网PointNet归地应用于输入点集的嵌套划分。通过利用度量空间距离（metric space distances），本文设计的网络能够在不断增加的上下文范围内学习局部特征。进一步观察到，点集通常以不同的密度采样，这导致在均匀密度上训练的网络的性能大大降低，本文提出了新的集学习层（set learn..
Pointnet网络结构
03-21
PointNet 网络结构是一种用于点云数据处理的深度学习网络结构，它可以直接处理点云数据，而不需要将点云转换为其他形式的数据。它由两个主要部分组成：一个点云编码器和一个分类器。点云编码器将点云数据转换为一个固定长度的向量，然后分类器使用这个向量来对点云进行分类。
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