【论文阅读笔记】《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》

最新推荐文章于 2024-08-09 17:47:15 发布
最新推荐文章于 2024-08-09 17:47:15 发布
阅读量421 收藏
点赞数
文章标签： 点云 分割 深度学习 人工智能
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/107213521
版权
本文介绍了PointNet++论文，它通过迭代最远点采样和ball query实现类似CNN的特征提取，解决点云非均匀密度问题。PointNet++采用MSG和MRG两种策略提升对不同密度点云的适应性，并利用Point Feature Propagation恢复点云特征。实验证明，PointNet++在点云分类和语义场景标注任务中表现出对非均匀点云更好的鲁棒性和准确性。
摘要由CSDN通过智能技术生成

《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》

Qi C R, Yi L, Su H, et al. Pointnet++: Deep hierarchical feature learning on point sets in a metric space[C]//Advances in neural information processing systems. 2017: 5099-5108.

循环使用Point Net 实现类似CNN的特征逐层提取机制。

网络结构如下：

每一个abstraction level 包含三层：

Sampling layer:使用 iterative farthest point sampling (FPS) 方法寻找𝑁′个Group center Point。

Grouping layer:使用ball query 方法寻找每一个Group中的点成员。

输入：N×d+c   输出：𝑁′×𝐾×𝑑+𝑐。

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 Hierarchical Feature Learning on Point Sets in a Metric Space
梁瑛平的博客
02-23 1637
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space（一）论文地址：（二）核心思想： （一）论文地址： https://arxiv.org/abs/1706.02413 （二）核心思想： ...
论文阅读笔记 | 三维目标检测——PointNet++
Clichong
11-15 1981
PointNet作为直接以点云格式数据为输入的开创性网络，还存在需要改进的地方。曾经提及到，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。以CNN为例，通过递归性的卷积提取图像的局部特征，以实现在深层次中获得较大的感受野。那么，对于点云数据来说，也可以进行递归性提取局部特征，捕获点云的细粒度特征。为此PointNet++的主要思想就是，对点云继续局部划分然后进行局部性特征提取，随后再进行局部划分点云数据再对每个部分进行特征提取，从而实现层级性的特征提取操作。不断重复这个过程
「论文阅读」PointNet++:Deep Hierarchical Feature Learning on Point Sets in a Metric Space
小麋鹿跑了的博客
02-13 4243
「论文阅读」PointNet++:Deep Hierarchical Feature Learning on Point Sets in a Metric Space
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space翻译
weixin_42037651的博客
09-01 1307
PointNet++：度量空间中点集的深层层次特征学习 Abstract 以前很少有研究点集深度学习的著作。PointNet[20]是这方面的先驱。然而，通过设计，PointNet无法捕获由度量空间点所产生的局部结构，从而限制了其识别细粒度模式的能力以及对复杂场景的通用性。在这项工作中，我们介绍了一种分层神经网络，它将PointNet递归地应用于输入点集的嵌套划分。通过利用度量空间距离，我们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
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
最新发布
weixin_60335028的博客
08-09 969
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space论文阅读笔记
(NIPS 17) PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
dloading7的博客
04-02 580
PointNet++[1]作为PointNet[2]的续作，着重于解决PointNet[2]没有能够很好的提取局部特征的问题，限制了其对细节图案（fine-grained patterns）的理解，无法泛化至其他复杂的任务场景。通过设计一种层级式（Hierarchical）的结构，对输入点云进行分块，重复使用PointNet[2]结构以增加对局部信息的获取能力。 整体的网络架构如上图所示，流程相对简洁，对于输入点云，设计一种层级式架构进行特征提取。 Hierarchical Point Set Feat.
（阅读笔记）PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
qq_42328228的博客
08-29 424
PointNet++一、动机和贡献二、PointNet++模型 一、动机和贡献 点云深度模型的现有工作 ①体素编码； ②将点云映射至平面投影； ③人工特征工程； ④直接消耗点云(PointNet)。 PointNet的局限性：PointNet对于场景的分割效果十分一般，由于暴力地将所有点最大池化为全局特征，没有学习到局部点与点之间的关系； 作者在PointNet++中主要借鉴了CNN的多层感受野思想，分层使用卷积核做内积，渐渐扩展后层单个特征的感受野，提取到局部特征；且提出多尺度分组的特征提取方
【点云】《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》
qq_51954707的博客
03-24 693
在PointNet++中，MLP的使用与PointNet类似，但在处理局部区域和多尺度特征时，PointNet++引入了额外的MLP网络来捕捉不同尺度上的局部特征。在PointNet的最后阶段，全局特征向量被送入另一个MLP网络，这个网络根据具体的任务（如分类或分割）来输出最终的预测结果。N是数据集中有N个点，d是欧氏空间维数，二维或者三维，C是每个点还可能具有的其他特征的维度，颜色、法线等。：最远点采样FPS选择子集，比随机采样好，输入是Nx(d+C)个点，输出是选定的N’个中心点形成的点集。
《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》剖析笔记
Knife丶小刀博客
05-18 1452
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space 以前很少有人研究深度学习在点集中的应用。PointNet是这方面的先驱。然而，PointNet并不能捕捉到由度量（metric）空间点所产生的局部结构，从而限制了它识别分类精密模型（fine-grained patterns）和对复杂场景的通...
个人笔记——PointNet++初读
热门推荐
sunfei05的博客
05-25 1万+
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space在表述PointNet++之前，其实列出题目可以更好的表述这篇paper，PointNet++其实就是PointNet的分层版本，并且顺便解决了由于分层带来的系列问题以及PointNet遗留的问题。在PointNet中，一个显著的问题是对于局部...
PointNet++：Deep Hierarchical Feature Learning on Point Sets in a Metric Space
Alkaid2000的博客
10-12 1804
针对于PointNet出现的问题：没有能力捕获局部结构，这使得在复杂的场景中很难应用。PointNet++的作者主要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： 一是利用空间距离(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。 二是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。
[论文简述+翻译]PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
Javier.Lin_HUST的博客
02-02 515
已有工作很少研究点集深度学习。Pointnet[ 20 ]是该方向的先驱。然而，通过设计，Pointnet无法得到度量空间点所在的局部结构，限制了其识别细粒图片的能力和对复杂场景的泛化能力。在这项工作中，我们引入了一个分层神经网络，该网络在输入点集的嵌套划分上递归地应用点Pointnet。通过利用度量空间距离，我们的网络能够随着上下文规模的增加学习局部特征。进一步观察到点集通常以不同的密度进行采样，这导致在均匀密度上训练的网络性能大大降低，我们提出了新的点集学习层来自适应地组合来自多个尺度的特征。
【论文阅读】3D点云 -- PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
magic_ll的博客
10-29 809
Abstract 以前很少有研究点集深度学习的著作。PointNet[20]是这方面的先驱。然而，通过设计，点网无法捕获由度量空间点所产生的局部结构，从而限制了其识别细粒度模式的能力以及对复杂场景的通用性。在这项工作中，我们介绍了一种分层神经网络，它将点网递归地应用于输入点集的嵌套划分。通过利用度量空间距离，我们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，我们提出了新的集学习层来自适应地组合来自多个尺度的特征。实验表明，我
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space 论文笔记
Tianchao龙虾
05-13 263
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space 论文链接： https://arxiv.org/abs/1706.02413 一、 Problem Statement Pointnet 没有捕捉local structure信息。解决pointnet没有在不同分辨率下提取特征的问题。在不同层级提取局部特征的能力可以提升网络的泛化性。 二、 Direction 基于PointNet的基础上，引入了一个
pointnet++: deep hierarchical feature learning on point sets in a metric space
06-06
PointNet++是一种在度量空间中对点集进行深度分层特征学习的方法。它通过使用一系列的局部区域和全局特征来对点云进行建模，并且可以处理不同数量和分布的点。PointNet++的主要优点是它可以对点云进行端到端的学习，...
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