【论文阅读】【点云处理】Point-Voxel CNN for Efficient 3D Deep Learning

最新推荐文章于 2024-08-18 10:29:55 发布
最新推荐文章于 2024-08-18 10:29:55 发布
阅读量6.7k 收藏 60
点赞数 30
分类专栏： 论文阅读 文章标签： 点云处理 2019NIPS
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/wqwqqwqw1231/article/details/105353231
版权
本文介绍了Point-Voxel CNN (PVCNN)，一种结合点云和体素处理的3D深度学习方法。PVCNN旨在克服传统Voxel-based和Point-based方法的缺点，通过两个分支——点云分支和体素分支，提升速度和精度。Voxel分支利用3D卷积处理体素，Point分支则采用MLP计算点特征。实验表明PVCNN在速度和准确性上都有所提升。文章还探讨了PVCNN与PointCNN、SpiderCNN、DGCNN等方法的对比，以及与PV-RCNN的区别，提供了对点云处理方法更深入的理解。
摘要由CSDN通过智能技术生成

文章目录

2019NIPS
MIT与上海交通大学，Song Han老师

我觉得本文还是比较容易理解的，但是在读的过程中，我对PVCNN产生了其他思考，可能PVCNN中实现的东西有更深层次的内涵，希望读者能够耐心看一下思考这部分，因为我的思考也不一定对，很期待大家的不同意见。 但我认为，对这篇文章的思考让我对point-based的方法和voxel-based的方法有了更深入的理解。

PVCNN

本文首先介绍了目前Voxel-based和Point-based的方法的缺点。

Voxel-based Method的缺点

Voxel-based的缺点已经是为人所熟知的，主要就是在将点云变为voxel的过程中，信息的丢失程度与resolution的大小有关。但随着resolution的增加，the computational cost and memory requirement是三次方增加的。而且本文增加了实验分析，本文给出了，相比于算术运算，内存操作所需要的时间和消耗的能量更为昂贵。下图对比了算数运算与内存访问的时间能量的消耗。
在这里插入图片描述

Point-based Method的缺点

Point-base的方法，本文详细分析了point-based的运算速度慢的原因：

  • point-based的方法的输
最低0.47元/天 解锁文章
麒麒哈尔
关注
专栏目录
ECCV2020语义分割——Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution
Dujing2019的博客
10-22 2956
Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution（一）动机 Motivation（二）创新 Innovation（三）SPVConv: Designing Effective 3D Modules3.1 Point-Voxel Convolution: Coarse Voxelization3.2 Sparse Convolution: Aggressive Downsampling3.3 Solution: S
【点云系列】Point-Voxel CNN for Efficient 3D Deep Learning
weixin_43882112的博客
05-06 1777
文章目录1. 概要2. 动机3.方法3.1 Point分支3.2 Voxel分支3.2.1 正则化 （Normalization）3.2.2 体素化（Voxelization）3.2.3 特征聚合（Feature Aggregation）3.2.4 去体素化（Devoxelization）3.3 融合4. 效果4.1 部件分割对比4.2 场景分割 比对4.3 目标检测4.4 可视化分析4.5 效率分析5. 思考6. 参考 1. 概要 会议：NIPS19 spotlight 论文：https://arxiv.
【3D目标检测】[看code] VoxelRCNN RPN（一）
这个人是条懒狗，什么都没留下
11-19 1186
3D目标检测
【点云处理】Point-Voxel CNN for Efficient 3D Deep Learning
qq_35632833的博客
04-19 1118
文章目录一. 介绍Voxel-base 方法的缺点Point-base 方法的缺点二. PV-CNNVoxel-Based Feature AggregationPoint-Based Feature TransformationFeature Fusion三. 实验效果Object Part Segmentation Visualization四. 结论 论文链接：PV-CNN 代码链接：Gi...
PVCNN：高效的三维深度学习利器
最新发布
gitblog_00754的博客
08-18 362
PVCNN：高效的三维深度学习利器 pvcnn项目地址:https://gitcode.com/gh_mirrors/pv/pvcnn 在三维深度学习领域，PVCNN（Point-Voxel CNN）项目以其独特的点体素结合方法，正在引领一场效率革命。本文将深入介绍PVCNN的项目背景、技术分析、应用场景及其独特特点，帮助您全面了解这一开源项目的强大之处。 项目介绍 PVCNN，全称为Point...
论文阅读 | Point-Voxel CNN for Efficient 3D Deep Learning
bettii的博客
07-21 297
目前我自己在做点云的时候大多数关注直接在点上处理的方法，忽略了一些voxel的方法。这篇文章对和的方法优缺点作了分析，并结合两者的优势中和提出了一种结合的方法。文章的idea还是比较简单好理解的，代码也不是很复杂。但文章写的很有逻辑性，甚至我觉得这篇文章对问题的总结，前面的综述，比后边的实验要阐释得更精彩。...
Point-Voxel CNN for Efficient 3D Deep Learning(PVCNN)论文翻译
solidays_的博客
09-09 2466
Point-Voxel CNN for Efficient 3D Deep Learning(PVCNN) 摘要 我们介绍了Point-Voxel CNN（PVCNN），可进行高效，快速的3D深度学习。以前的工作使用基于体素或基于点的NN模型处理3D数据。但是，这两种方法在计算上都是低效的。基于体素的模型的计算成本和内存占用量随输入分辨率的增加而立方增长，从而使其无法扩展分辨率。对于基于点的网络，最多有80％的时间被浪费在构造稀疏数据上，这些稀疏数据的内存局部性很差，而不是实际的特征提取。在本文中，我们提出
【点云识别】Point-Voxel CNN for Efficient 3D Deep Learning (NIPS 2019)
Orientliu96的博客
04-06 1019
Point-Voxel CNN for Efficient 3D Deep Learning 本文介绍一篇NIPS 2019里面关于点云识别的文章。 论文 代码 1. 问题 目前的点云处理框架主要分为两大类 Voxel-based Point-based PointNet的问世，极大地促进了Point-based类方法的发展。 因为voxel类方法的缺陷很难解决，内存需求太大。 64x64x64...
【论文阅读】[NeurIPS 2019] Point-Voxel CNN for Efficient 3D Deep Learning. [det. seg. aut.]
py今天刷题了吗
11-03 726
文章目录Abstract6 Conclusion一些重要的图和表，包含实验结果，网络结构 Abstract 我们提出了点体素CNN（PVCNN），用于高效、快速的3D深度学习。 以前的工作使用基于体素或基于点的神经网络模型处理三维数据。然而，这两种方法的计算效率都很低。基于体素的模型的计算成本和内存占用随着输入分辨率呈立方体增长，这使得内存无法放大分辨率。对于基于点的网络，高达80%的时间浪费在构造内存局部性较差的稀疏数据上，而不是在真实的特征提取上。 在本文中，我们提出了用点表示3D输入数据的PVCN
NeurIPS 2019 | 麻省理工与上海交大共同提出新型点云处理框架Point-Voxel CNN
李敏乐的博客
12-16 1167
论文：Point-Voxel CNN for Efficient 3D Deep Learning 来源：NeurIPS2019Spotlight 共同一作：Zhijian Liu (MIT), Haotian Tang(上海交大) 代码：https://github.com/mit-han-lab/pvcnn 项目：https://hanlab.mit.edu/projects/pv...
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 4975
文章目录摘要简介：2 背景2.1 数据集2.2 衡量指标3 3D形状分类3.1基于多视角的方法3.2基于体素的方法3.3 基于点的方法3.3.1逐点MLP网络3.3.2基于卷积的网络3.3.3基于图的网络3.3.4基于数据索引的方法3.3.5其他方法小结4 3D物体检测与跟踪4.1 3D物体检测4.1.1 基于候选区域的方法4.1.2 single-shot方法4.2 3D对象跟踪4.3 3D场景流估计4.4 小结：5 3D点云分割5.1 3D 语义分割5.1.1 基于投影的方法5.1.2 基于离散的方法5
三维点云语义分割【综述】 ——Deep Learning for 3D Point Clouds: A Survey
热门推荐
Dujing2019的博客
02-16 1万+
3D POINT CLOUD SEGMENTATION3D Semantic SegmentationProjection-based NetworksPoint-based NetworksInstance SegmentationProposal-based MethodsProposal-free MethodsPart SegmentationSummary 3D点云分割需要了解全局几何结...
Point-Voxel CNN：Point-Voxel Feature Set Abstraction for 3D Object Detection
weixin_41271939的博客
04-25 1020
其实PVCNN这篇论文十分好理解，采用的模型也十分简单，就是通过卷积的方法去提取局部特征，然后通过插值进行上采样，最后将上采样的特征直接concat到点云原始特征，之后就是pointnet那一套了。这篇论文最大的亮点是可以让我们更直观深入地理解基于体素的方法与基于点的方法的区别，文章中不仅指出了两种方法的局限，也给出了相应的实验与分析。
Point-Voxel CNN【阅读笔记】
weixin_43911343的博客
03-09 723
论文来源：CVPR2019 链接：https://arxiv.org/abs/1907.03739 Motivation 1.voxel-based models : 具有良好的定位性，但由于将部分点划分入一个体素网格中会丢失很多信息。提高分辨率（将网格划分精细化）可以改善这一问题，但相应计算量会几何增加，不适用。 2.pointnet-based modesl：Pointnet方法占用内存小，计...
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
qq_39791748的博客
08-03 251
PV-RCNN
【论文速览】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
冯子材的博客
06-01 1163
摘要 提出了一种新的高性能的三维目标检测框架：PointVoxel-RCNN（PV-RCNN），用于从点云中精确检测三维目标。该方法将3D体素卷积神经网络（CNN）和基于PointNet的集合抽象有机地结合起来，以学习更具鉴别能力的点云特征。它利用了3D体素CNN的高效学习和高质量提案以及基于PointNet的感受野可变的优势。具体地说，该框架通过一个新的体素集抽象模块将具有3D体素CNN的3D场景总结成一个小的关键点集，以节省后续计算，并对具有代表性的场景特征进行编码。考虑到体素CNN生成的高质量3D提案
【论文阅读】【三维目标检测】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
麒麒哈尔的博客
02-10 1万+
文章目录PV-RCNNRPNBackbone: 3D Sparse ConvolutionClassification & Regression HeadVoxel Set Abastraction Module（VSA）起因VSA ModulePKW Module（Predicted Keypoint Weighting）RCNN实验思考 本论文目前是KITTI排名第一，香港中文大学和商...
【3D目标检测】PV-RCNN:Point-Voxel Feature Set Abstraction for 3D Object Detection
毛毛的博客
05-15 739
文章目录前言摘要1.介绍2.PV-RCNN for Point Cloud Object Detection2.1 3D voxel CNN高效特征编码和proposal生成3.2 Voxel-to-keypoint Scene Encoding via Voxel Set Abstraction3.结果5. 总结 前言 1. 实验方法是什么样的？ 2. 得到了什么结果？ 文章的特征提取方式充分结合了voxel-based和point-based两种方法的优点，3D voxel卷积可以高效地编码多尺度特
pv-rcnn: point-voxel feature set abstraction for 3d object detection
04-10
Q：b'pv-rcnn: 3D目标检测的点 - 体素特征集抽象。' A：pv-rcnn是一种针对3D目标检测的算法，它使用点云和体素特征集来检测三维物体。它的主要思路是先将点云张量化，再将点云分割成体素，并对每个体素进行特征提取...
评论 7
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