论文阅读You Only Hypothesize Once: Point Cloud Registration with Rotation-equivariant Descriptors

最新推荐文章于 2022-08-01 07:00:26 发布
最新推荐文章于 2022-08-01 07:00:26 发布
阅读量382 收藏
点赞数
分类专栏： 论文阅读 文章标签： 深度学习

来源：武汉大学
期刊：未知
摘要：
在本文中，我们提出了一种新的基于局部描述符的框架，称为你只假设一次(YOHO)，用于两个未对齐的点云的配准。与现有的局部描述子依赖脆弱的局部参考框架获得旋转不变性不同，该描述子利用最新的群等变特征学习（group equivariant feature learning）技术实现旋转不变性，对点密度和噪声具有更强的鲁棒性。同时，YOHO中的描述子也具有旋转等变部分，这使得我们可以仅从一个对应假设来估计配准。这种性质减少了可行变换的搜索空间，大大提高了YOHO的准确性和效率。大量的实验表明，在3DMatch/3DLoMatch数据集、ETH数据集和WHU-TLS数据集上，YOHO在RANSAC迭代次数少的情况下取得了优异的性能。更多细节显示在我们的项目页面：https://hpwang-whu.github.io/YOHO/

主要贡献：

  1. 提出了一种基于二十面体群特征的点云配准旋转等变局部描述子。
  2. 我们利用描述子的旋转等方差来进行旋转估计，大大减少了真变换的搜索空间
  3. 我们设计了配准框架YOHO，它在RANSAC迭代不到1k的情况下，在基准测试中取得了优异的性能

在这里插入图片描述
令人印象深刻的对比图

在这里插入图片描述
令人印象深刻的对比结果

xuershuai
关注
专栏目录
点云从入门到精通技术详解100篇-基于点云网络和 PSO 优化算法的手势估计
getusushu的博客
03-03 682
和适应不同的手部姿态，并能够预测手部每个关节点的概率图或手部的三维坐标。类行为就成为了当今炙手可热的话题，同时人和计算机之间的交互也变为科研的。的交互时代，但是人类从不会主动停止对交互方式的探索。深度相机的飞速发展，手势估计技术正在逐渐从理论科学研究转向实际应用的技。他事物形成水乳交融的局面。样的信息交互方式逐渐应用到车辆控制系统中，其中以语音交互最为常见，而基。于手势估计的手势交互方式作为其他交互的补充也扮演着越来越重要的角色。人类的双眼、昆虫的复眼，通过不同角度摄像头同一时间、同一事物点的图像帧。
【论文阅读】Copycat CNN: Stealing Knowledge by Persuading Confession with Random Non-Labeled Data（2018）
最新发布
Glass_Gun的博客
08-16 685
In the past few years, Convolutional Neural Networks (CNNs 卷积神经网络) have been achieving state-of-the-art performance（已经取得了最先进的性能） on a variety of problems（在各种问题上）.
You Only Hypothesize Once: 用旋转等变描述子估计变换做点云配准(已开源)
3D视觉工坊
08-01 396
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨大瓶子@知乎来源丨https://zhuanlan.zhihu.com/p/547183305编辑丨3D视觉工坊宣传一下我们ACM MM 2022的论文：You Only Hypothesize Once: Point Cloud Registration with Rotation-equivariant De...
点云数据集汇总整理（匠心之作，附官方下载地址）
热门推荐
qq_27816785的博客
05-19 5万+
点云公开数据集 1 点云分类和分割 1.1 ModelNet40 （点云分类） 普林斯顿 ModelNet 项目的目标是为计算机视觉、计算机图形学、机器人学和认知科学领域的研究人员提供全面、干净的对象 3D CAD 模型集合。 包含数据集： ModelNet40： ModelNet10： modelnet40_ply_hdf5_2048： modelnet40_normal_resampled 数据内容： 飞机、汽车、椅子、碗、瓶、键盘、楼梯、… 采集方式： 发布单位： 普林斯顿大学 下载地址： htt
3D-3dmatch-toolbox.zip
09-17
3D-3dmatch-toolbox.zip,3dmatch-一个基于3d convnet的局部几何描述符，用于对齐3d网格和点云。,3D建模使用专门的软件来创建物理对象的数字模型。它是3D计算机图形的一个方面，用于视频游戏，3D打印和VR，以及其他应用程序。
YOLO详解(You Only Look Once)
咖啡味儿的咖啡
08-15 4787
本文将从五个方面解读CVRP2016目标检测论文YOLO:Unified,Real-Time Object Detection 1.创新 2.网络结构 3.效果 4.改进 5.实践 1、创新 改革了区域建议框式检测框架: RCNN系列均需要生成建议框，在建议框上进行分类与回归，但建议框之间有重叠，这会带来很多重复工作。YOLO将全图划分为SXS的格子，每个格子负责中心在该格子的目标检...
论文阅读：Rethinking Self-Attention: Towards Interpretability in Neural Parsing
woshuaizuishuai的博客
05-08 1058
注意机制允许模型保持可解释性，提升了NLP任务的表现。自我注意是目前广泛使用的一种注意类型，但由于存在大量的注意分布，其可解释性较差。最近的研究表明，模型表示可以受益于特定标签的信息，同时促进对预测的解释。因此作者引入标签注意层——一种新的自我注意形式，注意头代表标签。实验结果表明，作者的新模型在 PTB和CTB上都获得了最先进的结果。此外，与现有的工作相比，作者的模型需要更少的self-attention层。最后，作者发现标签注意头学习句法类别之间的关系，并显示分析错误的路径。
【论文阅读】【二维目标检测】Revisiting Feature Alignment for One-stage Object Detection
麒麒哈尔的博客
10-24 1674
文章目录AlignDetPilot ExperimentRoIconvIm2Col & RoIAlignRoIconvAlignDet实验作者在知乎上的回答 该论文解决在one-stage模型中的feature与proposal不匹配的问题，论文的研究的问题，研究的思路在文章中已经解释的非常好。 AlignDet 作者提到了One Stage模型的一个问题是，当使用多个anchor时，同样...
PyPI 官网下载 | hypothesize-0.1.dev23-py3-none-any.whl
02-09
《PyPI官网下载：探索hypothesize-0.1.dev23-py3-none-any.whl》 在Python编程世界中，PyPI（Python Package Index）是开发者们分享和获取Python软件包的主要平台。它提供了丰富的第三方库，使得开发者能够方便地...
PyPI 官网下载 | hypothesize-0.1.dev24.tar.gz
02-01
《PyPI官网下载：探索hypothesize-0.1.dev24.tar.gz的分布式与云原生实践》 PyPI（Python Package Index）是Python开发者的重要资源库，它提供了丰富的Python库供全球开发者使用。在本次讨论中，我们将聚焦于一个...
3DMatch数据集
zhulf0804的博客
11-28 1万+
关于 更多点云资源点击这里，包括250篇近几年的点云论文及数据集，包括点云配准、点云分割、点云检测、点云补全、无监督学习等方向。 下述3DMatch数据集的统计分析的代码均可在这里访问。 一、3DMatch数据集简介 3DMatch数据集收集了来自于62个场景的数据，其中54个场景的数据用于训练，8个场景的数据用于评估，其具体名称查看train.txt和test.txt。3DMatch数据常用于3D点云的关键点，特征描述子，点云配准等任务。 官方主页 | 3DMatch: Learning Local
PREDATOR: 低重叠三维点云的配准方法（CVPR2021）
3D视觉工坊
05-19 2528
代码地址：在公众号「3D视觉工坊」，后台回复「PREDATOR」，即可直接下载。图1 PREDATOR的将注意力集中在重叠区域，并选择该区域的显著点，以便在低重叠情况下仍能进行鲁棒配准。针...
《PREDATOR: Registration of 3D Point Clouds with Low Overlap》论文阅读
dtuyg的博客
04-04 2078
《PREDATOR: Registration of 3D Point Clouds with Low Overlap》论文阅读摘要介绍 摘要   我们介绍了“捕食者”，一种高度关注重叠区域的成对点云配准模型。不同于以往的工作，我们的模型是专门设计来处理（也）低重叠点云对。它的主要创新点是一个重叠注意块，用于两点云的潜在编码之间的早期信息交换。通过这种方式，随后将潜在表示解码为逐点特征取决于相应的其他点云，从而可以预测哪些点不仅显著，而且位于两个点云之间的重叠区域。关注于点的能力与显著提升配对性能相关：“捕
PointDSC: Robust Point Cloud Registration using Deep Spatial Consistency论文笔记
weixin_42812109的博客
05-08 952
一．四个问题 1.要解决什么问题？ 度量空间不完美（即correspondence中存在错误匹配的点对）以及室内外空间都会存在一些重复的场景以及噪声的影响，都会造成对应点对寻找正确的比例比较低。所以对correspondence进行修剪，删除outlier的correspondence是基于特征的点云注册的关键步骤之一。 2.用什么方法解决？ 在本文中，作者提出了一种新的深度神经网络，它明确地结合了空间一致性来对oulier correspondence进行剪枝。 首先，提出了一个由特征和空间一致性共同加权
武大&上交发布首篇「图像匹配」大领域综述！涵盖 8 个子领域，汇总近 20年经典方法
极市平台的技术博客
08-26 2427
原文链接：https://bbs.cvmart.net/topics/3176 专注计算机视觉前沿资讯和技术干货 微信公众号：极市平台 官网：https://www.cvmart.net/ 武汉大学和上海交通大学近日联合发布了首篇图像匹配大领域综述：《Image Matching from Handcrafted to Deep Features: A Survey》，引用文献500+，涵盖特征匹配、图匹配、点集配准等8个子领域，是一篇非常全面的大框架图像匹配综述。论文现已被IJCV2020接收。
[论文理解]旋转等变向量场网络Rotation equivariant vector field networks
bxdzyhx的博客
11-20 2934
1. 几个问题 做了什么 提出了旋转等变向量场网络Rotation Equivariant Vector Field Networks (RotEqNet)，是一种对旋转等变性（equivariance）、旋转不变性（invariance）和旋转共变性（covariance）进行了编码的CNN网络。 论文中专注于解决“旋转”这一操作，因此下文所述的对象都与旋转有关。 实现原理 每个卷积核被应用在多个方向上，并返回一个矢量场，表示每个空间位置的最高评分方向的大小和角度。 实验效果 相比于一些大型模型，RotE
【论文笔记】点云配准网络 3D Local Features for Direct Pairwise Registration 2019
phy12321的博客
08-31 1149
慕尼黑工业大学, 西门子 ,国防科大 本文针对点云配准和点云相对位姿估计问题，提出了适应于该任务的局部描述子，以及在该描述子上进行相对位姿回归的网络，RelativeNet。 局部特征的学习根据2D图像的方法，应该先设计好用的局部描述子，或者使用网络学习。 然而，作者指出，现有的3D描述子无论是手工设计还是网络学习，都不能像2D描述子一样将领域内的边缘朝向等信息提取出来，因而并不适用于点云配准任务。 论文方法 大概思路 如上图，网络的输入是一个fragment pair包含的多个点云patches p.
点云配准论文阅读笔记
m0_46471042的博客
08-04 3374
1.《RPM-Net: Robust Point Matching using Learned Features》 CVPR2020 论文链接：http://arxiv.org/abs/2003.13479v1 代码链接：https://github.com/yewzijian/RPMNet 解决了点云刚性配准任务中，对初始刚性变换和噪声/离群点敏感的问题。 基于空间距离的最近点对应的硬赋值对初始刚性变换和噪声/离群点敏感，往往导致ICP收敛到错误的局部极小值。RPM比ICP更为健壮，但它仍然对初始化和局
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