PointNet论文分析

PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

一.摘要

本文提出了一种直接计算点云的新型神经网络,可以处理输入点点排列不变性。该神经网络名为PointNet,为对象分类、部分分割和语义分割提供了统一的框架。PointNet简单、高效且有效。可以实现新的sota。本文还从理论上分析了网络学到了什么,以及网络为什么具有鲁棒性。

 

本文的主要贡献:

- 设计了一种应对无序的点云的神经网络架构

- 展示了如何训练网络执行分类、部分分割和语义分割任务

- 对该方法对稳定性和效率进行了全面的实证和理论分析

- 说明了网络中所选神经元计算的3D特征,并对其性能进行了直观的解释

二.相关工作

Point Cloud Features

大部分现有的点云功能都是针对特定任务手工制作的。点的特征通常对点的某些统计属性进行编码,并设计为对某些转换保持不变,这些转换通常被分类为内在的或外在的。也可以分为局部特征和全局特征。对特定任务找到最优特征组合并非易事。

Deep Learning on 3D Data

3D数据有多种表示形式,导致了各种学习的方法。其中有Volumetric CNNs、FPNN、Vote3D、Spectral CNNs、Feature-based DNNs等等。

Deep Learning on Unordered Sets

从数据结构的角度来看,点云是一组无序的向量,点云

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值