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

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。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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