zhulf0804的博客

论文读完之后很快忘记了, 写长篇的论文笔记又很耗时间; 因此打算换一种简洁的方式记录读过的一些3D检测论文: 论文的动机和主要的解决问题。

在本文中, 作者提出了PointRCNN用于在原始点云中做3D目标检测。整个框架包括两个阶段: stage-1用于以bottom-up的方式生成3D候选框, stage-2在规范(canonical)坐标系细化候选框, 来获得最终的检测结果。Stage-1子网络通过把点云中的点分割成前景点和背景点, 直接从点云中以bottom-up的方式产生少量的高质量的候选框; Stage-2子网络把stage-1子网络产生的每一个候选框中的points变换到规范坐标系来更好的学习局部空间特征, 并结合stage-1产生

当前, 有很多voxel-based的单阶段3D检测器, 然而point-based的单阶段3D检测器仍处于探索中。本文中, 我们第一个提出了一个轻量级的, 高效的point-based的单阶段检测器 (3DSSD), 并在精度和效率方面取得了一个很好的平衡。在这种范式中, 丢弃了现有point-based方法中不可或缺的upsampling layers和refinement stage, 以减少大量的计算成本。我们新颖地提出了用于下采样流程的混合采样策略, 以实现在更少的点上进行检测。为了满足精度和速度

3D点云 (Lidar)检测入门篇 - PointPillars PyTorch实现完整代码:https://github.com/zhulf0804/PointPillars。自动驾驶中基于Lidar的object检测，简单的说，就是从3D点云数据中定位到object的框和类别。具体地，输入是点云X∈RN×c\mathbf X \in \mathbb R^{N \times c}X∈RN×c (一般c=4c=4c=4)，输出是nnn个检测框bboxes, 以第iii个检测框bbox为例, 它包括位姿信

零、概要论文: Learning 3D-3D Correspondences for One-shot Partial-to-partial Registrationtag: arXiv 2020; Registration作者: Zheng Dang, Fei Wang, Mathieu Salzmann机构: Xi’an Jiaotong University, EPFL Switzerland笔者整理了一个最近几年250多篇点云的论文列表，欢迎大家一块学习交流。0.0 摘要点云的3D

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

零、概要论文: Fully Convolutional Geometric Features标签: ICCV 2019; feature, match, registration代码: https://github.com/chrischoy/FCGF作者: Christopher Choy,Jaesik Park, Vladlen Koltun机构: Stanford University, POSTECH, Intel Labs笔者整理了一个最近几年250多篇点云的论文列表，欢迎大家

一、MinkowskiEngine简介第一次见到MinkowskiEngine，应该是在两个月之前了，当时也没有去留意这个库。最近读了一些点云的论文，发现还是有不少论文的源码是基于MinkowskiEngine的，包括PointContrast(ECCV 2020)，DGR(Deep Global Registration, CVPR 2020)，Learning Multiview 3D Point Cloud Registration(CVPR 2020)和FCGF(Fully Convolution

1. 概要最近几年，基于深度学习的点云配准算法不断被提出，包括PointNetLK[1]，Deep ICP[2]，DCP[3]，PRNet[4]，IDAM[5]，RPM-Net[6]，3DRegNet[7]，DGR[8]等。这些网络在ModelNet40，Kitti，或3DMatch数据集上进行试验，其性能与速度均超过了传统的ICP算法。这些算法或者网络结构较为复杂，或者结果难以复现，对于把深度学习应用到点云配准的初学者而言，不是很友好。这里结合自己的感触和最近阅读的PCRNet[9] (两者不谋而合)，

零、概要论文: PCRNet: Point Cloud Registration Network using PointNet Encodingtag: arXiv 2019; Registration代码: https://github.com/vinits5/pcrnet, https://github.com/vinits5/pcrnet_pytorch/作者: Vinit Sarode, Xueqian Li, Hunter Goforth, Yasuhiro Aoki, Rangap

零、概要论文: SampleNet: Differentiable Point Cloud Samplingtag: CVPR 2020; Sample, Classification, Registration, Reconstruction代码: https://github.com/itailang/SampleNet作者: Itai Lang, Asaf Manor, Shai Avidan机构: Tel Aviv University笔者整理了一个最近几年150多篇点云的论文列表，欢

零、概要论文: USIP: Unsupervised Stable Interest Point Detection from 3D Point Cloudstag: ICCV 2019; Keypoints, Registration代码: https://github.com/lijx10/USIP作者: Jiaxin Li, Gim Hee Lee机构: National University of Singapore笔者整理了一个最近几年150多篇点云的论文列表，欢迎大家一块学习交流。

零、概要论文: DeepGMR: Learning Latent Gaussian Mixture Models for Registrationtag: ECCV 2020; Registration代码: https://github.com/wentaoyuan/deepgmr作者: Wentao Yuan, Ben Eckar, Kihwan Kim, Varun Jampani, Dieter Fox, Jan Kautz机构: University of Washington, NV

零、概要论文: Iterative Distance-Aware Similarity Matrix Convolution with Mutual-Supervised Point Elimination for Efficient Point Cloud Registrationtag: ECCV 2020; Registration代码: https://github.com/jiahaowork/idam作者: Jiahao Li, Changhao Zhang, Ziyao Xu, Ha

零、概要论文: D3Feat: Joint Learning of Dense Detection and Description of 3D Local Featurestag: CVPR 2020; keypoints, registration代码: https://github.com/XuyangBai/D3Feat作者: Xuyang Bai, Zixin Luo, Lei Zhou, Hongbo Fu, Long Quan, Chiew-Lan Tai机构: Hong Kong

点云配准，求解两个(具有overlap的)点云P, Q之间的变换(旋转矩阵和平移向量)，使得点云P, Q的坐标处于同一坐标系下。点云配准在无人驾驶、三维重建等领域具有广泛的应用。本文整理了点云配准相关的论文，既包括基于深度学习的点云配准算法，也包括部分传统配准算法(ICP, GoICP, FGR等)。Deep Global Registration [CVPR 2020; PyTorch]3DRegNet: A Deep Neural Network for 3D Point Registratio

零、概要论文: RPM-Net: Robust Point Matching using Learned Featurestag: CVPR 2020; registration代码: https://github.com/yewzijian/RPMNet/作者: Zi Jian Yew, Gim Hee Lee机构: Department of Computer Science, National University of Singapore笔者整理了一个最近几年150多篇点云的论文列表，

零、概要论文: 3DRegNet: A Deep Neural Network for 3D Point Registrationtag: CVPR 2020; Registration代码: https://github.com/3DVisionISR/3DRegNet作者: G. Dias Pais, Srikumar Ramalingam, Venu Madhav Govindu, Jacinto C. Nascimento, Rama Chellappa, and Pedro Mirald

零、概要论文: RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Cloudstag: CVPR 2020; Segmentation代码: https://github.com/QingyongHu/RandLA-Net作者: Qingyong Hu, Bo Yang, Linhai Xie, Stefano Rosa, Yulan Guo, Zhihua Wang, Niki Trigoni, Andrew Mar

零、概要论文: Deep Global Registrationtag: CVPR 2020; Registration代码: https://github.com/chrischoy/DeepGlobalRegistration作者: Christopher Choy, Wei Dong, Vladlen Koltun机构: Stanford University, Carnegie Mellon University, Intel Labs论文提出了用于真实世界中3D点云配准的可微框架:

一、ModelNet普林斯顿ModelNet项目的目标是为计算机视觉、计算机图形学、机器人和认知科学领域的研究者们提供一个全面、干净的三维CAD模型集合, 该数据的主页地址https://modelnet.cs.princeton.edu, 数据最早发布在论文3D ShapeNets: A Deep Representation for Volumetric Shapes [CVPR 2015]上。相关工作人员从数据中选择了常见的40类和10类构成数组子集, 分别表示为ModelNet40和ModelN

关于点云的深度学习表示PointNet / PointNet++是基于深度学习方法的点云表征的里程碑式的工作, 都出自于斯坦福大学的Charles R. Qi, 这两个工作分别收录于CVPR 2017和NIPS 2017. 最近，我在读一些关于点云配准和点云表示学习的深度学习论文，了解到目前点云的深度表示/学习有几个火热的研究方向: 基于point wise + MLP提取特征，典型代表是PointNet++; 基于Pseudo Grid和常规卷积提取特征，典型代表是ICCV 2019的工作KPConv

点云滤波sor(statistical outlier removal): 对每个点的邻域进行一个统计分析，并修剪掉那些不符合一定标准的点。对每个点计算它的k(超参数)临近点的平均距离。假设得到的结果是一个高斯分布，其形状由均值和方差决定。平均距离在标准范围之外，即超出平均距离的d(超参数)个标准差，则该点被标记为离群点。直通滤波(pass through): 不在范围内的点过滤掉ror(radius outlier removal)每个点的半径范围r(超参数)内低于d(超参数)个点

知识预备• 问题描述给定两个点云 X={x1,...,xi,...,xN}⊂R3X = \lbrace x_1, ..., x_i, ..., x_N\rbrace \subset R^3X={x1​,...,xi​,...,xN​}⊂R3和Y={y1,...,yi,...,yM}⊂R3Y = \lbrace y_1, ..., y_i, ..., y_M\rbrace \subset R^3Y={y1​,...,yi​,...,yM​}⊂R3, 刚性配准(rigid registration)的任务是