yuanmiyu6522的博客

https://www.zhihu.com/question/41631631

1

123

qwe

https://blog.csdn.net/weixin_37589575/category_10076918.html这个博主总结的真的很棒！

记X={xi∈RF,i=1,2,…,N}X=\left\{x_{i} \in \mathbb{R}^{F}, i=1,2, \ldots, N\right\}X={xi​∈RF,i=1,2,…,N}为输入point cloud set，本文中，F=3F=3F=3，表示坐标(x,y,z)(x, y, z)(x,y,z)。Local structure representation考虑到真实应用中的point cloud数量很庞大，所以利用kkk-nearest neighbor构造有向 graph G=(V,

Graph CNNs根据点间的空间/特征相似性将point cloud表示为graph数据，并将images上的2D卷积推广到3D点上。标准的Graph CNNs通常会在每对点上使用共享权重函数抽取这对点的对应边特征，这会导致得到一个固定/同向的卷积kernel，当作用在所有点对上后，会忽略掉不同特征的对应关系。该项工作的关键贡献在于AdaptConv能够在graph卷积内使用，而不是基于结果特征的权重函数。此外，还开发了一些特征卷积设计，能够更加灵活地进行适应性卷积。记X={xi∣i=\mathcal{X

记X={x1,…,xn}⊆RF\mathbf{X}=\left\{\mathbf{x}_{1}, \ldots, \mathbf{x}_{n}\right\} \subseteq \mathbb{R}^{F}X={x1​,…,xn​}⊆RF为输入点云，其中nnn是点的数量，FFF是点的维度，在最简单的情况下，F=3F=3F=3，每个点都包括了3D坐标xi=(xi,yi,zi)\mathbf{x}_{i}=\left(x_{i}, y_{i}, z_{i}\right)xi​=(xi​,yi​,zi​)，在其

本文所参考的方法将 one-hop local kernel 扩展到了 KKK-hop 连接的情况上。根据graph Fourier transform，如果UUU是LLL的graph Fourier basis集合，那么：xk+1=σ(gθ(LK)xk)=σ(Ugθ(ΛK)UTxk).x_{k+1}=\sigma\left(g_{\theta}\left(L^{K}\right) x_{k}\right)=\sigma\left(U g_{\theta}\left(\Lambda^{K}\right)

OcCo有着如下的性质：记P\mathcal{P}P为3D欧式空间中的一组点云，P={p1,p2,…,pn}\mathcal{P}=\left\{p_{1}, p_{2}, \ldots, p_{n}\right\}P={p1​,p2​,…,pn​}，其中每个点pip_{i}pi​是包含坐标(xi,yi,zi)\left(x_{i}, y_{i}, z_{i}\right)(xi​,yi​,zi​)和其他特征(颜色和法向量)的向量。先从occlusion mapping o(⋅)o(\cdot)o(⋅)开始

如表1所示，在decoder阶段，我们想要施加一个“虚拟的外力”，将2D网格 变形 成3D物体的表面形状，这种变形应该受到网格neighborhood相互连接的影响和约束。Auto-encoder的pipeline如图2所示。encoder的输入是一个n×3n \times 3n×3的矩阵，矩阵的每一行包含了3D点云的位置(x,y,z)(x, y, z)(x,y,z)。输出是一个m×3m \times 3m×3的矩阵，表示重建后点的位置。重建后点的数量mmm没必要与原始点云的数量nnn相同。假设输入包含了点

高斯混合模型（Gaussian Mixed Model）指的是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同的分布的情况（或者是同一类分布但参数不一样，或者是不同类型的分布，比如正态分布和伯努利分布）。如图1，图中的点在我们看来明显分成两个聚类。这两个聚类中的点分别通过两个不同的正态分布随机生成而来。但是如果没有GMM，那么只能用一个的二维高斯分布来描述图1中的数据。图1中的椭圆即为二倍标准差的正态分布椭圆。这显然不太合理，毕竟肉眼一看就觉得应该把

本文中，以点云的local neighborhood作为source，以可学习的kernel(一组点)作为reference，从而表示局部结构/形状的type。在点云配准任务中，source和reference中的点都是固定不动的，但是本文允许reference中的点发生变化，通过学习(反向传播)的方式去更加“贴合”形状。与点云配准不同的是，我们想要通过一种非变换的方式学习reference，而不是通过最优变换的方式。通过这种方式可学习的kernel点与卷积kernel就相同了，都是在相邻区域内对每个点作出

多视角网络的训练可以表示为：arg⁡min⁡θC∑nNL(C(Xn),yn)=arg⁡min⁡θC∑nNL(C(R(Sn,u0)),yn)\begin{aligned}& \underset{\boldsymbol{\theta}_{\mathbf{C}}}{\arg \min } \sum_{n}^{N} L\left(\mathbf{C}\left(\mathbf{X}_{n}\right), y_{n}\right) \\=& \underset{\boldsymbol{\theta}_{\m

假设CCC维输入特征的无序集合F={fa,fb,fc,fd}\mathbb{F}=\left\{ {{f_a},{f_b},{f_c},{f_d}} \right\}F={fa​,fb​,fc​,fd​}在图1((iii)-(iviviv))中所有的情况下都是相同的，并且有大小为4×C4 \times C4×C的kernel K=[kα,kβ,kγ,kδ]T\mathbf{K}=\left[k_{\alpha}, k_{\beta}, k_{\gamma}, k_{\delta}\right]^{T}K=[

equivariance 与 invariance有什么区别吗？Convolution一个convolution kernel以点云中的每个点为中心。kernel中的neighbor points可以对center point产生影响。每个kernel都有一个size或radius，可以根据每个卷积层中neighbor points的数量进行调整。pointwise convolution可以表示为：xiℓ=∑kwk1∣Ωi(k)∣∑pj∈Ωi(k)xjℓ−1x_{i}^{\ell}=\sum_{k}

与2D图像相比，3D形状更复杂，3D形状的一些重要纹理和曲线只有在最高的粒度级别上才能观察到。现有的方法都是牺牲细粒度构造high-semantic特征，因此multi-resolution point features就成为了既能收集足够的语义信息，又能一定程度上保留细粒度的方法。通过现有的基于MLP方法(PointMLP)获取mmm个不同分辨率下的点特征:由于全局特征向量是从mmm个分辨率中得到的，因此它包含了high-semantic 和 high-resolution features信息。本来在每

O-CNN: Octree-based Convolutional Neural Networks for 3D Shape Analysis摘要摘要以八叉树叶子节点中的平均法向量为输入，执行3D CNN操作设计了一种新的八叉树数据结构通过限制在八叉树子节点上的计算，O-CNN的内存消耗和计算复杂度随着八叉树深度的增加呈二次增长，使得3D CNN能够处理更高分辨率的3D 模型代码详见：https://github.com/Microsoft/O-CNN...

Pointview-GCN: 3D Shape Classification With Multi-View Point Clouds摘要1.引言2.相关工作3.方法3.1. Graph convolution and Selective View Sampling摘要绕着物体从多个视点捕获部分点云进行3D shape classificationPointview-GCN具有multi-level的Graph Convolutional Networks (GCNs)，以fine-to-coars

ECC：图卷积神经神经网络的动态边条件滤波器摘要1.引言2.相关工作3.方法3.1 Edge-Conditioned Convolution3.2 Relationship to Existing Formulations3.3. Deep Networks with ECC生词摘要背景： 许多问题都可以表示为基于graph结构数据的预测方法： 将卷积操作从网格推广到任意的graphs，同时避免了频域，能够解决不同大小和连通性的graph细节： filters的权值依赖顶点到邻域的边值；开发了用于