三维CNN:收集一些最近的3d卷积网络PointNet++
受限于点云本身的无序性,不同设备在不同位置扫描物体所获得的数据不尽相同,数据难以通过端到端方法来处理;点云本身也面临数据缺失的问题,比如被扫描模型往往会被遮挡。
针对无序点云数据的深度学习方法研究,目前进展还相对缓慢。在 CVPR 2017 上,斯坦福大学提出的 PointNet 是第一种直接处理无序点云数据的深度神经网络。团队通过在每个点训练一个 MLP,把每个点投到一个 1024 维空间上,并采用了 Max Pooling 层做为主要的对称函数,比较好地解决了顺序问题。随后斯坦福大学在 NIPS 2017 上的 Pointnet++,对 PointNet 做出了更多改进。
PointNet++是在PointNet上做出了改进,考虑了点云局部特征提取,从而更好地进行点云分类和分割。
先简要说一下PointNet:
PointNet,其本质就是一种网络结构,按一定的规则输入点云数据,经过一层层地计算,得出分类结果或者分割结果。其中比较特殊的地方在于两个转换矩阵(input transform & feature transform)的存在,根据文中所说,这两个转换矩阵可以在深度学习过程中保持点云数据的空间不变性。
根据论文里所说,图中的input transform是一个3*3的矩阵,作为深度学习的一个参数存在。而feature transform由于维数较大(64*64),所以文中采用了正交约束的方法限制这个矩阵,从而使优化可以快速收敛。
PointNet:PointNet Deep Learning on Point Sets for 3D Classification and Segmentation .
简介:PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation-论文解读
PointNet++改进:http://stanford.edu/~rqi/pointnet2/
官网就有GitHub地址,再次再贴一遍:https://github.com/charlesq34/pointnet2
重点小圆圈:Feature Learning ,对每一个点局部进行特征提取。这个对复杂的物体和场景比较有意义,对于小的工件,总之,多多还是益善的。
作者使用邻域球球来定义分区,或者也可以叫做patch,每个区域可以通过中心坐标和半径来确定。
不愧为斯坦福大学的,有我当年提取物体位姿Rift特征,深得球形区间提取特征的精髓。当然,半径取多大,和密度有多大,都可以根据划分与覆盖的公式来计算平移不变性和旋转不变性(貌似旋转不变性差一些)。
文中使用适当的重采样方法和相应的插值方法。
PointNet++:PointNet++: Deep Hierarchical Feature Learning onPoint Sets in a Metric Space
简介:PointNet++阅读笔记
注意事项:
无序点云融合模式识别一个重要的过程是有序化,笛卡尔坐标系化表示简单,但遍历与结构化描述比较困难。PointNet++进行,输入数据的标准化工作,输入一个梯级/逐渐稠密表示模型。
方法:从一点开始(可以是密度最高点,也可以随机选取),作为已选集合,使用测地线判断离已选集合最远点,然后更新已选集合,再次添加新的集合最远点,这样不管获得多少个点,都意味着模型的稀疏点表示。随着点集的增加,模型的表示越来越精确。PointNet++中使用了1024个维度,因此网络数据标准化时候可能面临点云填充问题,或者更好的方法是,在标准化之处先进行点云数据预填充工作。
刘洪森同学对此网络进行了改进,暂时还没有仔细Get他的进展。
三维CNN:收集一些最近的3d卷积网络PointNet++相关推荐
- 【CVPR 2021】Cylinder3D:用于LiDAR点云分割的圆柱体非对称3D卷积网络
文章目录 Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR Segmentation 做了什么 Cylinder3D 整体框 ...
- 【行为识别】论文阅读笔记2|C3D:使用3D卷积网络学习时空特征
Learning Spatiotemporal Features with 3D Convolutional Networks 摘要 提出了一个简单但有效的学习时空特征的方法,利用在大规模监督视频数据 ...
- 3D卷积网络论文阅读笔记
3D卷积网络 1.What is the best data augmentation approach for brain tumor segmentation using 3D U-Net? 实验 ...
- 【步态识别】多视角3D卷积网络的步态识别 算法学习《MULTI-VIEW GAIT RECOGNITION USING 3D CONVOLUTIONAL NEURAL NETWORKS》
目录 1. 论文&代码源 2. 论文亮点 3. 模型结构 3.1 技术路线 3.2 数据预处理 3.3 训练和测试 4.实验结果 4.1 CMU 4.2 USF 4.3 CAISA-B 5.总 ...
- SCNN-用于时序动作定位的多阶段3D卷积网络
转自:http://blog.csdn.net/wzmsltw/article/details/65437295 注:本文首发在微信公众号-极市平台.如需转载,请联系微信Extreme-Vision ...
- 时序图如何表现分支_【Video Recognition】在视频分类任务中如何高效使用3D卷积...
这是我发布的第1篇文章,在这个专栏里,我会持续写一些最近看的文章,希望能够与大家有所交流. 知乎对Markdown不是非常支持,排版上总是不够漂亮,可以访问我的简书主页阅读对应的文章. 欢迎访问我的知 ...
- 自动驾驶:使用 3D 时空卷积网络的自监督点云预测
参考文献: B. Mersch, X. Chen, J. Behley, and C. Stachniss, "Self-supervised Point Cloud Prediction ...
- T-C3D 实时行为识别时序卷积网络
论文名称:T-C3D:TemporalConvolutional3D NetworkforReal-TimeActionRecognition 论文地址:https://aaai.org/ocs/in ...
- ProteinGCN | 使用图卷积网络表示学习蛋白质结构
作者 | 周密 指导 |闵小平(厦门大学) 对蛋白质结构模型准确性局部(单残基)和全局(整个结构)的预测是许多蛋白质建模应用程序中必不可少的步骤.随着最近深度学习技术的发展,单模型质量评估的方法也已经 ...
最新文章
- 【POCO】POCO学习总结(四)——MinGW编译poco
- 元宇宙大热后将陷低潮, 虚实互联网更准确, 2030前后才可能全面热启
- 数据防泄漏(中文版)
- 模板:k短路(可并堆)
- OpenCV3学习(9.2)连通域分析函数详解connectedComponents()和connectedComponentsWithStats()
- Java作业基础知识梳理--2020-12-03
- 自定义检验注解_多注解自定义参数校验
- python不会英语不会数学怎么自学-学习Python,数学英语基础很重要吗?
- paip.验证码识别----判断汉字还是英文
- java工作流框架jbpm_Jbpm工作流与ssh框架集成
- (~ ̄▽ ̄)~罗马数字图表
- (2020年下半年软件设计师49题)程序设计语言的大多数语法现象可以用CFG(上下文无关文法)表示。下面的CFG产生式集用于描述简单算术表达式,其中+ - * 表示加、减、乘运算,id表示单个字母表示
- 谭波 oracle,行动营复盘
- java每日一讲讲什么_每日一讲.ppt
- 百度输入法皮肤工具提示 CSS,如何利用百度输入法超级皮肤增加特别键盘
- greenplum数据库单机部署
- PHP 常用函数 - 其他常用函数
- android版本如何升级包,安卓手机系统怎么升级?安卓手机系统升级教程
- python yaml dump_使用Python处理yaml格式的数据简单到爆!
- 博客网站服务器设置,个人博客建站全攻略之一:IIS配置