ShellNet:Efficient Point Cloud Convolutional Neural Networks using Concentric Shells Statics
1.文章总体概述
这篇文章是最近Iccv2019接收的一篇文章，主要做的工作是提出了一种可以用于直接处理3D空间中的点云数据的卷积算子ShellConv并基于此设计了一个ShellNet，可以用于分类以及点云的语义分割。与以往的PointNet系列类似的是，作者提出的结构也是直接输入原始的点云坐标信息(,
为点的个数)。开篇作者简要介绍了一些相关的工作，分析了经典的PointNet系列存在的问题，比如网络结构的复杂度上升，训练速度变慢，也提到了PointCNN同样也有训练的收敛速度太慢的问题，进而提出需要设计一种轻量级的卷积网络结构能够在准确率和速度之间做一个很好的平衡。基于上述考虑，作者提出了一种新型的卷积算子结构，它可以像2D卷积操作一样直接作用在3D点云上以提取局部的领域信息。
2.卷积算子设计
(a) For an input point cloud with/without associated features, representative points (red dots) are randomly sampled. The nearest neighbors are then chosen to form a point set centered at the representative points. The point sets are distributed across a series of concentric spherical shells (b) and the statistics of each shell is summarized by a maxpooling over all points in the shell, the features of which are lifted by an mlp to a higher dimension. The maxpooled features are indicated as squares with different colors (c). Following the inner to the outer order, a standard 1D convolution can be performed to yield the output features (d). Thicker dot means less points but each has higher dimensional features
而如何进行局部点的卷积操作呢？作者首先指出,根据定义，在点p处的卷积操作应该有如下的形式(实际上是一个1D卷积的形式)：
其中表示输入点集的feature的一个通道，
表示卷积的权重，
表示第n层，
则表示p的邻域。但是实际中作者认为给每个点
都指定一个卷积权重
是不现实的，因此作者提出将该层Shell内点的特征都整合在一起同时给处于同一层Shell的点的特征赋予相同的卷积权重，也就是说将上面的式子改成如下的形式：
类似PointNet，为了产生对输入顺序不敏感的输出[参考PointNet]，将该层Shell内点的特征整合为的方式如下：
总结起来，上述算法可以写成如下的形式
3.ShellNet设计
相信理解了前面ShellConv算子的设计后，这里的网络结构图也就不难理解了。
ShellNet:Efficient Point Cloud Convolutional Neural Networks using Concentric Shells Statics相关推荐
- EffNet: An Efficient Structure for Convolutional Neural Networks
EffeNet对MoblieNet网络进行改进,主要思想为: 首先,将MoblieNet的 3×3 3\times3的depthwise convolution层分解为两个 3×1 3\times1, ...
- 手机CNN网络模型--MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications
MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications https://arxiv.org ...
- One-Pass Multi-task Convolutional Neural Networks for Efficient Brain Tumor Segmentation
method: 首先:用三个网络来训练,分别针对comlete区域,core区域,和enhancing区域(使用网络OM-net) 1.使用随机采样从MRI大脑图像中采块,训练,分类器分为5类,最后测 ...
- Implementing Pruning Convolutional Neural Networks for Resource Efficient Inference in Mxnet
一.代码分析: 参考pytorch代码对论文<Pruning Convolutional Neural Networks for Resource Efficient Inference> ...
- 论文阅读——ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks
ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks 改进版通道注意力 from CVPR2020 期 ...
- MobileNetV1《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》
MobileNetV1<MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications> ...
- 【论文翻译】MobileNets: Efficient Convolutional Neural Networks for Mobile VisionApplications【v1, 2017.4】
文章目录 Abstract 1. Introduction 2. Prior Work 3. MobileNet Architecture 3.1. Depthwise Separable Convo ...
- 论文阅读：Multi-view Convolutional Neural Networks for 3D Shape Recognition
Preface 今天阅读一篇ICCV2015的论文:<Multi-view Convolutional Neural Networks for 3D Shape Recognition>, ...
- CV：翻译并解读2019《A Survey of the Recent Architectures of Deep Convolutional Neural Networks》第一章~第三章
CV:翻译并解读2019<A Survey of the Recent Architectures of Deep Convolutional Neural Networks>第一章~第三 ...
最新文章
- 好礼相送｜CSDN云原生 Meetup 成都站报名热烈启动，12.18见！
- python语法怎么读-python语法技巧
- asp.net如何读取Excel文件
- ddos压力测试_蓝盟IT外包，浅析DDoS攻击防御和DDoS攻击原理
- Spire.Doc 教程：用C＃识别Word中的合并字段名称
- java订单类_基于Java创建一个订单类代码实例
- 机器学习 | 目录（持续更新）
- python tcp实例_实现tcp的自动重连实例教程
- VS1838B 红外接收头接线及单片机编码原理
- Linux时间戳与日期之间的转换
- 机器学习读书笔记: 概率图模型
- java jconsole 远程连接_jconsole连接远程tomcat
- Mac安装双系统的那些坑
- AtCoder Beginner Contest 161 C Replacing Integer 公式推导
- 计算机学报在线阅读,基于聚类分析的进程拓扑映射优化-计算机学报.pdf
- 立法禁食猫狗肉属本末倒置
- 什么是大数据？什么是物联网？
- 麻省理工计算机专业毕业就业,中国版的麻省理工大学，工科实力与清华比肩，备受业界认可...
- 学计算机专业英语不好可以学吗,英语不好的初中生可以学计算机专业吗？
- 进销存ERP系统、销售单、采购单、退货单、库存管理、库存盘点、调拨、借入、借出、出库、入库、归还单、收款单、付款单、资金流水、销售报表、采购报表、库存报表、财务报表、商品库、电商erp、连锁erp 1