【论文阅读笔记】《PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation》

最新推荐文章于 2024-08-07 21:22:44 发布
最新推荐文章于 2024-08-07 21:22:44 发布
阅读量464 收藏 1
点赞数
文章标签： 深度学习 点云 分割 3D_point_cloud
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_44010117/article/details/107213439
版权
本文介绍了PointNet论文，该网络利用point-wise max out编码无序点云，确保输入顺序不变性。PointNet通过MLP和max pooling学习点云特征，能够逼近任意点云函数并进行3D分类与分割。网络结构包括T-Net和全连接层，对点云的缺失、异常和噪声具有鲁棒性。此外，PointNet还可应用于多种任务如分类、语义分割等。
摘要由CSDN通过智能技术生成

《PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation》

Qi C R, Su H, Mo K, et al. Pointnet: Deep learning on point sets for 3d classification and segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 652-660.

网络架构：

使用 point-wise max out对无序点云的空间分布进行编码，关注点云在空间中的分布，所以点云的输入顺序的变化对网络的输出没有影响。

网络可以把任意数量的点云转化成一个固定长度的特征向量，特征向量的每一维代表一个特征。

这个网络存在两条性质（推论）：

最低0.47元/天 解锁文章
改个名字真不容易�
关注
【论文阅读笔记】PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
梁瑛平的博客
02-13 2730
PointNet: Deep Learning on Point Sets for 3D Classifification and Segmentation（一）论文地址：（二）核心思想：（三）问题陈述：（四）点云数据的性质：（五）PointNet 的网络结构：5.1 无序输入的对称函数：5.2 仿射变换网络 T-net：（六）MLP：（七）实验结果： （把网络原理讲的很清楚） （一）论文地址： ...
论文阅读笔记 | 三维目标检测——PointNet
Clichong
11-15 920
同时，在后续的提取特征中，同样对特征进行规范空间中的对齐。操作方法类似，也是利用提取后的特征通过T-Net获得仿射矩阵再作用到特征上实现变换，不过由于特征的维度一般比较大，难以优化，所以训练会添加一个正则化项，将特征的仿射矩阵转化为一个正交矩阵，同时正交矩阵是不会在输入中丢失信息的。这里PointNet用了很简单的方法，就是把这里获得的全局特征拼接到每个点的局部特征上，完成了局部特征与全局特征的结合，后续再使用一个共享参数的MLP来对这个局部和全局拼接的特征进行降维，再进行后续分割任务，对每个点进行分类。
PointNet: Deep Learning on Point Sets for 3D Classifification and Segmentation
weixin_42106556的博客
09-04 590
PointNet: Deep Learning on Point Sets for 3D Classifification and Segmentation
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
最新发布
weixin_60335028的博客
08-07 1313
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation阅读笔记
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation 中文翻译
听风轻咛
03-06 687
点云是一种重要的几何数据结构。 由于其不规则的格式，大多数研究人员将这些数据转换为常规3D体素网格或图像集合。 然而，这会使数据不必要地大量增加并导致问题。 在本文中，我们设计了一种直接消耗点云的新型神经网络，它很好地考虑了输入中点的置换不变性。 我们的网络名为PointNet，为从对象分类，部分分割到场景语义分析等应用程序提供统一的体系结构。 虽然简单，但PointNet非常高效和有效。 根据...
【论文阅读】 PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
挥剑决浮云的博客
05-29 340
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
【论文阅读笔记】Multi-scale context aggregation by dilated convolutions
flora
10-10 4085
论文地址：https://arxiv.org/abs/1511.07122 代码地址：https://github.com/ndrplz/dilation-tensorflow https://github.com/fyu/dilation 作者用caffe写的 introduction motivation 动机 CNN的池化操作影响语义分割的精度 This prompts new questi...
整理研究方向（1）【未完成】
qq_35780315的博客
07-26 2321
整理从交通流量预测发展到其他方向的团队文章，并研究调研我们可以研究的方向
使用深度学习的三维点云分类的介绍
热门推荐
点云PCL
03-22 1万+
在过去的这些年里，对二维图像已经有了大量深入的研究，并且有着长足的发展。它在分类任务上取得了极好的结果主要得益于一下两个关键因素： **1.卷积神经网络。 2.数据 - 大量图像数据可用。** 但是对于3D点云，数据正在迅速增长。大有从2D向3D发展的趋势，比如在opencv中就已经慢慢包含了3D点云的处理的相关模块，在数据方面点云的获取也是有多种渠道， 无论是源于CAD模型还是来自LiDA...
【论文简析+解读+Pytorch实现】PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
Javier.Lin_HUST的博客
01-16 781
这篇作为点云深度学习的开山之作，给出了一种直接用点云作为数据输入，用于分类、分割等任务的神经网络框架。该网络尽管结构简单，但是高效且有效。
论文阅读：PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
qq_53086461的博客
12-14 494
深度学习网络直接处理点云
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation（2017）
weixin_43575791的博客
06-04 367
点云的特征：几何数据结构、不规则、可以转换为3D立体网格或图片集合处理、不必要的数据量 PointNet：consumes pointcloudsdirectly geometric datastructure 3D voxel grids ...
PointNet:Deep Learning on Point Sets for 3D Classification and Segmentation
qq_51221943的博客
01-14 1231
PointNet:Deep Learning on Point Sets for 3D Classification and Segmentation PointNet：3D点集分类与分割深度学习模型 摘要总结： 1.点云是一个重要的数据结构，所以有研究的必要。 2.点云有自己本身的特性，也就是 irregular format（格式不规则），之前的研究人员都想将其转化为一种立体模型，但是这恰恰是丢失了其本身的特性。 机器学习，先要提取信息，之后再将提取到的信息进行分析得出结果。我个人理解这里有一个问题就是
（阅读笔记）PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
qq_42328228的博客
08-29 376
PointNet一、动机和贡献二、点云特性三、PointNet网络结构分类网络分割网络 一、动机和贡献 动机：大多数研究人员选择将不规则的点云数据转换成规则的3D体素网格或特征投影，导致大量的点云信息缺失。 贡献：设计了一种直接消耗点云的新型神经网络PointNet，考虑点云的无序性、点间关系、排列不变性；训练PointNet网络用来执行三维形状分类、形状部分分割和场景语义分析任务，提供了统一的体系结构。 二、点云特性 无序 点云数据是一个集合，对数据的顺序是不敏感的。这就意味这处理点云数据的模型需要
[LiteratureReview]PointNet Deep Learning on Point Sets for 3D Classification and Segmentation
GRF-Sunomikp31
04-03 3516
[LiteratureReview]PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation 出处：2017 CVPR，（截止到2022-4-3）Google论文被引7000+次；深度学习点云处理先驱工作； Introduction 背景：典型的卷积架构需要高度规则的输入数据格式，例如image grids或 3D voxels，以便执行权重共享和其他内核优化；由于point cloud（和meshes）的 i
[PointNet] PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation(CVPR. 2017)
Ah丶Weii
05-25 258
文章目录1. Motivation2. Introduction and Related Work2.1 Introduction2.2 Related Work3. Contribution4. Method4.1. Properties of Point Sets in RnR^nRn4.2 PointNet Architecture5. Experiment5.1 applications5.1.1 3D Object Classification5.1.2 3D Object Part Segme.
【论文阅读】3D点云 -- PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
magic_ll的博客
10-28 2620
​ Abstract 点云是一种重要的几何数据结构。 【存在问题】由于其不规则的格式，大多数研究人员将这些数据转换为规则的三维体素网格或图像集合。但是，这会使数据变得不必要的庞大，并导致问题。 【本文设计】在本文中，我们设计了一种新型的直接消耗点云的神经网络，它很好地考虑了输入点的置换不变性。我们的网络名为PointNet，它为从对象分类、零件分割到场景语义解析的应用程序提供了统一的体系结构。 虽然简单，但PointNet是高效的。从经验上看，它表现出强劲的表现，甚至比现有技术更好。理论上，我们提供分析
Label-Specific Document Representation for Multi-Label Text Classification
05-21
该论文提出了一种用于多标签文本分类的标签特定文档表示方法。传统的文本分类方法通常将每个文档表示为一个向量，其中每个元素对应于语料库中的一个单词或短语。然后，这些向量被输入到分类器中进行训练和预测。然而...
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