- 博客(5)
- 收藏
- 关注
RSS订阅原创 基于深度学习方法的点云算法5——PointConv（点云分类分割）
与在规则密集网格中表示的图像不同，三维点云是不规则和无序的，因此很难对其应用卷积。本文将动态滤波器扩展到一种新的卷积运算，即PointConv。PointConv可以应用于点云以构建深度卷积网络。将卷积核视为由权重函数和密度函数组成的三维点的局部坐标的非线性函数。对于给定的点，通过多层感知器网络（multi-layer perceptron networks ）和核密度估计（kernel density estimation）的密度函数（density functions）学习权重函数（weight fun
2022-06-22 17:26:41
4689
原创 基于深度学习方法的点云算法4——PCT: Point Cloud Transformer（点云分类分割）
不规则域和缺乏有序性使得设计用于点云处理的深层神经网络具有挑战性。提出了一种新的点云学习框架Point Cloud Transformer（PCT）。Transformer在自然语言处理方面取得了巨大的成功，在图像处理方面显示出巨大的潜力。它在处理点序列时具有固有的置换不变性，因此非常适合点云学习。为了更好地捕获点云中的局部上下文，我们通过最远点采样（ farthest point sampling）和最近邻搜索（nearest neighbor search）来增强输入嵌入。大量实验表明，PCT在形状分类
2022-06-12 17:46:29
3849
1
原创 基于深度学习方法的点云算法3——PointNet++（点云分类分割）
按设计，PointNet无法捕获由度量空间点所产生的局部结构，限制了其识别细粒度模式的能力以及对复杂场景的推广能力。本文介绍了一种分层神经网络（hierarchical neural network），它将点网PointNet归地应用于输入点集的嵌套划分。通过利用度量空间距离（metric space distances），本文设计的网络能够在不断增加的上下文范围内学习局部特征。进一步观察到，点集通常以不同的密度采样，这导致在均匀密度上训练的网络的性能大大降低，本文提出了新的集学习层（set learn..
2022-06-09 11:04:52
7172
2
原创 基于深度学习方法的点云算法2——PointNet（点云分类分割）
点云是一种重要的几何数据结构。由于其不规则的格式，大多数研究人员将这些数据转换为规则的三维体素网格或图像集合。然而，这会使数据变得不必要的庞大，并导致问题。本文设计了一种新型的直接以点云为输入的神经网络，它很好地保持了输入点的置换不变性。PointNet为对象分类、分割、场景语义分析等应用程序提供了统一的体系结构。虽然PointNet结构简单，但是非常高效的。从实验上看，它的表现相当出色，甚至优于最先进（state of the art）的水平。理论上，本文提供分析，以解释网络学到了什么，以及为什么网络在输
2022-05-30 08:09:12
3346
4
原创 基于深度学习方法的点云算法1——PointNetLK（点云配准）
作者将PointNet看成一个可学习的成像函数（learnable “imaging” function），然后就可以将用于图像对齐的LK算法应用于点云配准。作者主要贡献如下：（1）修改LK算法，使其适用于PointNet；（2）将LK与PointNet相结合得到PoinNetLK。本文为深度学习在点云配准中的应用开辟了新的途径。..................
2022-05-18 09:55:59
9439
15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人