【翻译论文】SEMANTIC3D.NET: A NEW LARGE-SCALE POINT CLOUD CLASSIFICATION BENCHMARK（2017）

已于 2022-05-20 08:19:13 修改
阅读量627 收藏 1
点赞数
分类专栏： 读论文 点云 文章标签： 经验分享
于 2022-05-19 20:25:29 首次发布
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/yang_wanli/article/details/124870713
版权
本文介绍了SEMANTIC3D.NET，一个大规模点云分类基准，包含40亿个手动标记点。基准测试包括3种基线方法：二维图像基线、三维协方差基线和3D CNN基线，展示了深度学习在处理3D点云数据的潜力。尽管3D点云的数据特性带来了挑战，但作者希望通过这个基准推动3D点云处理技术的发展。
摘要由CSDN通过智能技术生成

【翻译论文】SEMANTIC3D.NET: A NEW LARGE-SCALE POINT CLOUD CLASSIFICATION BENCHMARK（2017）

SEMANTIC3D.NET：新的大规模点云分类基准
T Hackel，N Savinov，L Ladicky，Wegner, Jan D，K Schindler，M Pollefeys

DOI:10.5194/isprs-annals-IV-1-W1-91-2017

文章目录

摘要：

本文提出了一个新的 3D 点云分类基准数据集，其中包含超过 40 亿个手动标记点，作为数据密集型（深度）学习方法的输入。我们还讨论了使用深度卷积神经网络 (CNN) 作为工作马的基准测试的首次提交，它已经显示出与最先进技术相比显着的性能改进。 CNN 已成为计算机视觉和机器学习中许多任务（如图像中的语义分割或对象检测）的事实上的标准，但由于缺乏训练数据，尚未导致 3D 点云标记任务的真正突破。借助本文中提供的海量数据集，我们旨在缩小这一数据差距，以帮助释放深度学习方法在 3D 标记任务中的全部潜力。我们的语义 3D.net 数据集由使用静态地面激光扫描仪获取的密集点云组成。它包含8个语义类，涵盖了广泛的城

了解本专栏 订阅专栏 解锁全文 超级会员免费看
氧艺
关注
专栏目录
订阅专栏
点云公开数据集:Semantic3D
zhaoguanhua的博客
11-09 5218
一、基本信息 二、数据分析 三、数据处理
【读论文】点云智能研究进展与趋势（2019）
Yang_Wanli的博客
03-25 5915
【读论文】点云智能研究进展与趋势（2019） 杨必胜 doi: 10.11947/j.AGCS.2019.20190465 文章目录摘要：关键词：点云大数据采集装备点云场景：从可视化量测到智能化场景展望： 摘要： 随着以激光扫描、倾斜摄影为主的各种现实采集（reality capture）装备的快速发展，点云已成为继矢量地图和影像数据之后的第三类重要的时空数据源，并在地球科学、空间认知、智慧城市等科学研究和工程建设中发挥越来越重要的作用。如何从点云大数据中快速、准确获取精准有效的三维地理信息成为测绘地理信
Semantic3D:A New Large-Scale Point Cloud Classification Benchmark
weixin_42650040的博客
10-27 670
摘要 本文提出了一个新的3D点云分类基准数据集，该数据集包含超过40亿个手动标记的点，旨在作为深度学习方法的输入。我们还讨论了第一次提交给基准测试的以深度卷积神经网络作为平台，它已经显示出显著的性能改进超过了最先进的水平。神经网络已经成为计算机视觉和机器学习中许多任务的事实上的标准，例如图像中的语义分割或对象检测，但是由于缺乏训练数据，还没有导致3D点云标记任务的真正突破。通过本文提供的大量数据集，我们旨在缩小这一数据差距，帮助释放深度学习方法在3D标签任务中的全部潜力。我们的semantic3D.net数
semantic3d.net:a new large-scale point cloud classification benchmark（学习笔记一）
码以载道
05-10 2014
前言 在此之前看过的点云论文都是看一篇是一篇，未尝写过博客记录下学习心得，时间久了自己都记不得内容了，前段时间看到舍弟写的博客，遂觉自己也有必要将所看论文写成博客记录所获心得。本篇博客是将英文论文翻译成中文。以下为全文汉译。 semantic3d网：一种新的大规模点云分类基准 Timo Hackela, Nikolay Savinovb, Lubor Ladickyb, Jan D. Wegner...
[论文阅读]Stereo Vision-based Semantic 3D Object and Ego-motion Tracking for Autonomous Driving
qq_41265365的博客
05-25 408
①轻量的3D box推断方法，结合2D box和视点筛选方法viewpoint classification； ②结合语义和特征信息的BA方法；
【云原生系统故障自愈论文学习】—How to Fight Production Incidents? An Empirical Study on a Large-scale Cloud Service
weixin_47692652的博客
02-04 405
How to Fight Production Incidents? An Empirical Study on a Large-scale Cloud Service
机器学习、深度学习、计算机视觉、自然语言处理及应用案例——干货分享
Ritter Liu的专栏
09-25 3840
机器学习、深度学习、计算机视觉、自然语言处理及应用案例——干货分享（持续更新……） author@jason_ql http://blog.csdn.net/lql0716 1、机器学习/深度学习 1.1 对抗生成网络GAN 【2017.04.21】 对抗生成网络GAN变种大集合 【链接】资源 | 生成对抗网络及其变体的论文汇总 【链接】生成对抗网络(GAN)
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 5124
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
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
热门推荐
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
dataset
lsxpu的专栏
08-21 9769
这一篇博文收集自己要用到得数据库，持续更新， Ranking: 【1】MovieLens Data Setshttp://www.grouplens.org/node/12 【2】Yahoo! Learning to Rank Challengehttp://learningtorankchallenge.yahoo.com/datasets.php 【3】LETOR: Learni
CVPR2020论文解读：三维语义分割3D Semantic Segmentation
吴建明wujianming_110117
03-19 3222
CVPR2020论文解读：三维语义分割3D Semantic Segmentation xMUDA: Cross-Modal Unsupervised Domain Adaptation for 3D Semantic Segmentation 摘要 无监督域自适应（UDA）对于解决新域中缺少注释的问题至关重要。有许多多模态数据集，但大多数UDA方法都是单模态的。在这项工作中，我们探索如何从多...
【合辑】三维激光点云机载激光LiDAR论文及翻译
Yang_Wanli的博客
04-30 2093
59【翻译论文】Classification of Airborne Multispectral Lidar Point Clouds for Land Cover Mapping(2018) 用于土地覆盖制图的机载多光谱激光雷达点云的分类 58【翻译论文】Airborne Altimetric LiDAR: Principle, Data collection,processing and Applications（2008） 机载测高LiDAR：原理、数据收集、处理和应用...
[读论文]点云压缩研究进展与趋势（2022）
Yang_Wanli的博客
04-12 1390
[读论文]点云压缩研究进展与趋势（2022） 张卉冉、董震、杨必胜 DOI: 10.13203/j.whugis20210103 文章目录摘 要：关键词：结论1.该论文研究了什么？2.研究方法是什么？3.得到的结论是什么？4.点云压缩展望？ 摘 要： 三维点云为物理世界精细数字化提供了高精度的三维表达方式，广泛应用于三维建模、智慧城市、自主导航系统、增强现实等领域。然而，点云的数据海量、非结构化、密度不均等特点给点云的存储和传输带来了巨大挑战。因此在有限的存储空间容量和网络传输带宽中实现低比特率、低失真率的
【翻译论文】Supervised spatial classification of multispectral LiDAR data in urban areas(2018)
Yang_Wanli的博客
05-13 974
【翻译论文】Supervised spatial classification of multispectral LiDAR data in urban areas(2018) 城市地区多光谱激光雷达数据的监督空间分类 Lian-Zhi，Huo，Carlos DOI:10.1371/journal.pone.0206185 文章目录摘要：一、介绍二、材料和方法2.1 研究区域描述2.2 多光谱激光雷达数据采集与预处理三、建模过程四、结果五、讨论5.1 空间特征在多光谱激光雷达分类中的重要性5.2 与以往
[读论文]三维激光扫描点云数据处理研究进展、挑战与趋势（2017)
Yang_Wanli的博客
03-22 874
[读论文]点云智能研究进展与趋势（2017) 杨必胜 DOI文章目录摘要关键词面临的挑战：未来的发展趋势： 摘要 三维激光扫描直接对地球表面进行三维密集采样，可快速获取具有三维坐标（Ｘ，Ｙ，Ｚ ）和一定属性（反射强度等）的海量、不规则空间分布三维点云，成为数字化时代下刻画复杂现实世界最为直接和重要的三维地理空间数据获取手段，在全球变化、智慧城市、全球制图等国家重大需求和地球系统科学研究中起到十分重要的作用。目前，在传感器技术和国家需求的双重驱动下，三维激光扫描在硬件装备、三维点云数据处理以及应用３个方面取得
【读论文】A Multiscale and Hierarchical Feature Extraction Method for Terrestrial Laser Scanning Point Cl
Yang_Wanli的博客
05-11 732
【读论文】A Multiscale and Hierarchical Feature Extraction Method for Terrestrial Laser Scanning Point Cloud Classification（2014） 地面激光扫描点云分类的多尺度分层特征提取方法 Zhen Wang, Liqiang Zhang DOI: 10.1109/TGRS.2014.2359951 文章目录摘要：结论1.该论文研究了什么？2.创新点在哪？3.研究方法是什么？4.得到的结论是什么？
[读论文]机载多光谱LiDAR数据的地物分类方法(2018)
Yang_Wanli的博客
03-02 680
[读论文]机载多光谱LiDAR数据的地物分类方法(2018) 潘锁艳，管海燕 摘要： 机载多光谱LiDAR系统能够快速地获取大范围地表面上地物光谱和几何数据，并能够保证所获取的光谱与空间几何数据在空间和时间上相对完整和一致性。支持向量机（SVM）是一种基于小样本的学习方法，它避开了从归纳到演绎的传统分类过程。因此，本文提出了基于SVM多光谱LiDAR数据的地物目标分类方法。该方法首先将多个独立波段的LiDAR数据融合为单一的、包含多个波段信息的点云数据，然后将 融合后的点云内插为距离影像 和 多 光 谱 影
【读论文】Object-based land cover classification using airborne LiDAR（2008）
Yang_Wanli的博客
12-13 600
Object-based land cover classification using airborne LiDAR（2008） 基于对象的机载LiDAR土地覆盖分类 AS Antonarakis，KS Richards，J Brasington 文章目录摘要关键词结论1.该论文研究了什么？2.创新点在哪？3.研究方法是什么？4.得到的结论是什么？ 摘要 Light Detection and Ranging (LiDAR) provides high resolution horizontal and
randla-net: efficient semantic segmentation of large-scale point clouds
最新发布
06-28
### 回答1： randla-net是一种高效的大规模点云语义分割方法。它采用了一种新颖的点云降采样方法，可以在保持点云形状信息的同时大大减少点云数量。此外，它还使用了一种基于局部区域的特征提取方法，可以有效地捕捉点云中的局部特征。最终，randla-net可以在保持较高分割精度的同时，大大提高分割速度。 ### 回答2： Randla-Net是一种高效的大规模点云语义分割方法，它利用深度学习方法实现对三维点云数据中物体的自动识别和分类。在智能驾驶、金字塔建设、城市规划和3D建模等领域，点云数据已经成为一种重要的数据形式。在处理点云数据时，常常需要对点云中的各种物体进行语义分割，划分出物体的类别和边界，以进一步进行场景分析和建模。 Randla-Net的关键思想是将点云数据转换成局部规则网格(LHG)型式，然后对规则网格应用神经网络模型，实现对点云的语义分割。相较于传统的点云分割方法，Randla-Net的解决方案更加高效，并且能够适应大规模点云数据的处理。具体来说，Randla-Net采用的局部规则网格可以大大减少点云数据的复杂性，减少无效数据的计算，同时保证点云数据与原始数据的对应性。神经网络模型的引入能够提高计算的全局一致性，并在语义分割中对局部特征和位置被高效获取。此外，Randla-Net融合了RANDomized LAyered points（简称RANDLA）的思想，可以抽取多级别多方向的特征，使得点云数据在语义分割中的处理更加准确。 总之，Randla-Net是一种快速、有效、准确的大规模点云语义分割方法，其优点在于可以处理复杂的大规模点云数据，同时在语义分割中能够提供更高的计算效率和更精确的结果。它的应用将会推动点云技术的发展，为智能驾驶、建筑、机器人、VR/AR等领域提供更加精确的三维场景建模工具。 ### 回答3： RandLA-Net是一种高效而准确的点云语义分割神经网络，专为应对大规模点云场景而开发。该网络的核心功能在于通过快速地对点云数据进行聚类、降采样和投影等操作，实现了对点云进行语义分割，并能够输出详细的分割结果。 RandLA-Net相对于传统点云语义分割算法的优势在于，该算法不但能够处理大规模点云数据，同时还利用了矩阵分解的方法来提高运行速度。因此，该算法在极端情况下也能实现快速和准确的分割，如在不同分辨率、不同大小和不同密度的点云数据上。 RandLA-Net的另一个创新点在于使用了自适应滑动窗口的方法，就是通过分析点云的特征分布，来自动选择和匹配最适宜的窗口大小，以此进一步提高分割效果。同时，该算法还考虑到了实际应用场景中存在的地面、建筑物等不同的目标物体，对各自进行分割和处理，以期达到更高的准确率。 总的来说，RandLA-Net是一种高效、准确、可扩展的神经网络，为卫星、城市规划、无人驾驶等领域提供了强大的支持。该算法的研究提供了新的思路，为点云语义分割界的研究者提供了很好的启示，也为工业界解决实际问题提供了新的思路。
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

打赏作者

氧艺

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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