xiaoyaolangwj的博客

姿态估计有两种方法：一种是基于迭代像素拟合模型的优化算法，但是初始化过程慢且初始化对结果的影响较大。一种是基于神经网络直接拟合模型的回归算法，这个快稳但是精度并非像素级。两者做个结合：用神经网络拟合一个初始化模型，然后再用迭代优化算法去验证这个模型，以此作为监督信息来指导网络更新。网络更新几轮后，神经网络拟合的模型更好了，迭代算法像素级检查发现误差变小了。

服务器是共用的，所以无法使用sudo apt-get 命令快速安装。只能自己下载git上的源代码然后编译，装在自己的私人目录下——否则 sudo apt-get 安装很容易，55555555Ninja是一个比Make更快速的小型构建系统。其github地址为：https://ninja-build.org/Ninja源码安装构造Ninja可使用CMake或python，需要先安装re2c：1、安装re2c。下载地址：http://re2c.org/index.htmlta..

论文标题：PU-GAN: a Point Cloud Upsampling Adversarial Network标签：有监督 | 点云上采样首先我们来分析一下文章题目：PU-GAN: a Point Cloud Upsampling Adversarial NetworkPU即Point Upsampling，也就是本文要做的任务是点云上采样。关于点云上采样的介绍，我在介绍PU-Net的这篇文章中介绍过，可参考：刘昕宸：细嚼慢咽读论文：点云上采样网络开天辟地PU-Net​zhuan

论文标题：PU-Net: Point Cloud Upsampling Network标签：有监督 | 点云上采样首先回答一个问题：什么是点云的上采样任务呢？简单来说，点云上采样任务就是输入稀疏点云，输出稠密点云，同时需要保持住点云的基本形状、均匀程度等特征。如下图所示，某上采样算法输入稀疏骆驼点云，输出稠密骆驼点云。上采样的最主要应用就是作为一种数据增强的方式，为下游任务（比如分类、分割等）提供高质量的数据。相关任务：点云补全、图像超分辨率1 motivatio

作者：光影帽子链接：https://www.zhihu.com/question/276554643/answer/1039095847来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。泊松盘采样（possion disk sampling）的特点是任何两个点的距离都不会隔得太近。比如下图，左边是随机生成的点，右边是泊松盘采样生成的点。算法步骤：第一步：设定好两个点之间最近的距离r，以及采样点所在空间的维度n，比如2维平面第二步：在空间里生成足够.

论文标题：PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space1 motivation从名字都能看得出来是对PointNet的改进，迭代版本你刘昕宸：细嚼慢咽读论文：点云特征学习开天辟地PointNet​zhuanlan.zhihu.com​PointNet does not capture local structures induced by the metric space

文章转载自知乎论文标题：PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation标签：有监督 | 特征学习、点云分类、语义分割首先回答3个问题作为引子：Q1：什么是点云？简单来说就是一堆三维点的集合，必须包括各个点的三维坐标信息，其他信息比如各个点的法向量、颜色等均是可选。点云的文件格式可以有很多种，包括xyz，npy，ply，obj，off等（有些是mesh不过问题不大，因为me

摘要：三维几何数据为研究表示学习和生成建模提供了一个很好的领域。在本文中，我们研究用点云表示的几何数据。介绍了一种具有最先进的重构质量和泛化能力的deep AutoEncoder (AE) 网络。学习表示在三维识别任务上优于现有方法，通过简单的代数操作实现了形状编辑，如语义部分编辑、形状类比、形状插值以及形状补全。我们对不同的生成模型进行了深入的研究，包括在原始点云上运行的GANs、在我们AEs的固定潜空间中训练的具有显著提升的GANs以及高斯混合模型(GMMs)。为了定量地评估生成模型，我们引入了基于

转载位置：空间变换网络--spatial transform networkCNN分类时，通常需要考虑输入样本的局部性、平移不变性、缩小不变性，旋转不变性等，以提高分类的准确度。这些不变性的本质就是图像处理的经典方法，即图像的裁剪、平移、缩放、旋转，而这些方法实际上就是对图像进行空间坐标变换，我们所熟悉的一种空间变换就是仿射变换，图像的仿射变换公式可以表示如下：式中，(xSource,ySourcexSource,ySource)表示原图像像素点，(xTarget,yTargetxTarget,