很多点云分割的网络结构,都是通过扩大感受野来防止一些容易丢失的点丢失,通常的做法是扩大下采样的层数来增加,DPC这篇文章是添加了一个扩张的系数d,KNN搜索的时候搜素K·d个点,然后选择第d个点,并且这篇文章的一个大的优势是它做了很多的消融实验来证明哪个方法是最好的。
它们做的工作大概分为三部分,第一部分是点卷积部分,该部分与PointConv、PointCNN部分的卷积很类似,利用核函数g对搜索的邻域进行卷积。
第二部分是感受野的尺寸大小,很多网络的结构都是利用增加感受野的大小来防止丢失一些重要的信息,DPC(很多网络)通过增加网络结构层的方法来扩大感受野,进而提高分割的miou大小。下面是不同网络结构层的一个消融实验。
第三部分是扩张点卷积部分,就像我上文说的,它添加了一个扩张参数d,用于扩大搜索邻域的点数,进而防止丢失关键信息,下面是它做的不同的扩张参数d的消融实验。实验结果来看,在扩张参数增加的情况下,miou的值在变好,不过从实验效果来看,也不是一味的增加,也会带来一定的负面影响。
【计算机视觉】简述对DPC的理解(点云分割)
最新推荐文章于 2024-05-27 13:58:30 发布