点云处理之论文狂读经典版
文章平均质量分 95
读读论文,看看代码
LingbinBu
这个作者很懒,什么都没留下…
展开
-
【点云处理之论文狂读经典版14】—— Dynamic Graph CNN for Learning on Point Clouds
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),在其原创 2022-06-16 21:39:55 · 2336 阅读 · 0 评论 -
【点云处理之论文狂读经典版13】—— Adaptive Graph Convolutional Neural Networks
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)原创 2022-06-14 21:27:00 · 1248 阅读 · 0 评论 -
【点云处理之论文狂读经典版12】—— FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation
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。假设输入包含了点原创 2022-06-11 17:17:21 · 829 阅读 · 0 评论 -
【点云处理之论文狂读经典版11】—— Mining Point Cloud Local Structures by Kernel Correlation and Graph Pooling
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原创 2022-06-09 15:14:56 · 700 阅读 · 0 评论 -
【点云处理之论文狂读经典版10】—— PointCNN: Convolution On X-Transformed Points
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=[原创 2022-06-06 09:42:05 · 402 阅读 · 0 评论 -
【点云处理之论文狂读经典版9】—— Pointwise Convolutional Neural Networks
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}原创 2022-06-04 16:22:59 · 1015 阅读 · 0 评论 -
【点云处理之论文狂读经典版8】—— O-CNN: Octree-based Convolutional Neural Networks for 3D Shape Analysis
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...原创 2022-06-02 14:24:33 · 1783 阅读 · 0 评论 -
【点云处理之论文狂读经典版7】—— Dynamic Edge-Conditioned Filters in Convolutional Neural Networks on Graphs
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;开发了用于原创 2022-05-25 14:16:42 · 1022 阅读 · 0 评论 -
【点云处理之论文狂读经典版6】—— Escape from Cells: Deep Kd-Networks for the Recognition of 3D Point Cloud Models
Kd-Net摘要1.引言2.相关工作3. Shape Recognition with Kd-Networks3.1 输入3.2 Processing data with Kd-networks3.3 Learning to classify3.4 Learning to retrieve3.5 Properties of Kd-networks3.6 Extension for segmentation3.7 Implementation details4.实验4.1 Shape classificati原创 2022-05-16 17:57:11 · 502 阅读 · 0 评论 -
【点云处理之论文狂读经典版5】—— Deep Sets
Deep Sets摘要1.引言2.Permutation Invariance and Equivariance2.1 Problem Definition2.2 Structure2.3 Related Results3. Deep Sets3.1 Architecture4.实验4.1.3Point Cloud Classification生词摘要我们研究了定义在sets上的机器学习任务模型设计问题考虑了定义在sets上的目标函数,该函数是permutation-invariant的主要理论定原创 2022-05-12 14:45:03 · 1862 阅读 · 2 评论 -
【点云处理之论文狂读经典版4】——OctNet: Learning Deep 3D Representations at High Resolutions
OctNet:在高分辨率下学习深度3D表示摘要1. 引言2. 相关工作3. Octree Networks3.1 Hybrid Grid-Octree Data Structure摘要OctNet适用于稀疏3D数据的深度学习表示方法本文的方法能够从深度和分辨率两个方面进行卷积网络的学习利用输入数据的稀疏性,使用非平衡八叉树将空间按照层次分割,八叉树的叶子节点存储着 pooled feature representation任务:3D object classification, orientat原创 2022-05-09 15:07:13 · 1468 阅读 · 0 评论 -
【点云处理之论文狂读经典版3】——VoxNet: A 3D Convolutional Neural Network for Real-Time Object Recognition
VoxNet:一种用于实时目标检测的3D卷积神经网络摘要1. 引言2. 相关工作3. 方法3.1 Volumetric Occupancy Grid3.2 Reference frame and resolution3.3 Occupancy models3.4 3D Convolutional Network Layers3.5 Proposed architecture3.6 Rotation Augmentation and Voting3.7 Multiresolution Input3.8 Net原创 2022-05-05 16:00:29 · 2391 阅读 · 0 评论 -
【点云处理之狂读论文经典篇2】——Multi-view Convolutional Neural Networks for 3D Shape Recognition
MVCNN:一种用于3D形状识别的多视图卷积神经网络摘要1. 引言2. 相关工作3. 方法3.1 Input: A Multi-view Representation3.2 Recognition with Multi-view Representations3.3 Multi-view CNN: Learning to Aggregate Views4. 实验4.1 3D Shape Classification and Retrieval4.2 Sketch Recognition: Jittering原创 2022-05-01 17:20:14 · 1320 阅读 · 0 评论 -
【点云处理之狂读论文经典篇1】——3D ShapeNets: A Deep Representation for Volumetric Shapes
3D ShapeNet:一种体素形状的深度表示方法1.摘要2.引言3.相关工作4.3D ShapeNets4. 2.5D Recognition and Reconstruction4.1 View-based Sampling4.2 Next-Best-View Prediction5.ModelNet: A Large-scale 3D CAD Dataset6.实验6.1Classification and Retrieval6.2 View-based 2.5D Recognition6.2Next原创 2022-04-26 11:06:16 · 5281 阅读 · 1 评论