【点云识别】Unsupervised Learning of Intrinsic Structural Representation Points(CVPR 2020)

最新推荐文章于 2025-03-03 20:34:48 发布
最新推荐文章于 2025-03-03 20:34:48 发布
阅读量1k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 点云识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Orientliu96/article/details/106364158

Unsupervised Learning of Intrinsic Structural Representation Points

本文介绍一篇cvpr2020里面无监督学习内在结构表征点的文章。
论文
代码

1. 问题

无监督学习内在结构表征点

2. 思想

在这里插入图片描述
用chamfer loss约束重建点云的质量，利用point integration module 来寻找 structure points.

3. 算法

在这里插入图片描述
给人感觉更像是key point detection,包装成structure point。但是事实上如果你将 structure point 的数目定为512，我觉得这就有些不太合理。

第一章：点云中的滤波问题---Filters
m0_37957160的博客
04-09 1076
滤波的范围非常的广泛，像噪声去除，降采样，上采样，平滑等等都可以叫做滤波。 上采样是一个比较罕见的东西，上采样就是没有的东西我把他创造出来，就是创造信息，其实是不可以创造信息的，只是说经过已有的信息，怎么去估算未知的地方可能的信息。如上图，就是对激光雷达的图进行了一个上采样，最上边的一层是吧激光雷达的图投影到了图像上，可以看到一些很小的很稀疏的点，但是他没有办法把每一个像素都填满，比如我们在做多传感器融合的时候我们希望图片上的每一个像素都能够带一个深度，这样图片所携带的信息就非常的丰富了，比如说既有深度，
CVPR 2020——Unsupervised Learning of Intrinsic Structural Representation Points
Dujing2019的博客
06-07 1291
Unsupervised Learning of Intrinsic Structural Representation Points（一） Abstract（二） Introduction（三） Method 论文：https://arxiv.org/abs/2003.01661 源码：https://github.com/NolenChen/3DStructurePoints （一） Abstract 提出一种无监督方法，学习新的三维结构点的结构表示。 以3D点云作为输入，并将其编码为一组局部特征。然
【论文笔记】点云关键点检测和特征提取 USIP: Unsupervised Stable Interest Point Detection from 3D Point Clouds 2019 论文笔记
phy12321的博客
09-21 4156
新加坡国立大学 代码链接:https://github.com/lijx10/USIP 这是一篇通过无监督学习来进行点云关键点检测的文章. 整体的网络结构: 首先将输入的点云进行随机旋转平移变换，网络分别对两个点云进行关键点提取得到关键点QQQ，并对每个关键点的不确定度进行预测得到∑\sum∑。 损失函数 Probabilistic Chamfer Loss 作者希望网络能够学习点云中的稳定的关键点（repeatability），也就是说两个场景信息大部分重合的点云，即网络的两个输入，应该能够.
GoodPoint: unsupervised learning of keypoint detection and description∗
u010260681的博客
06-04 650
主要提供了一种无监督的deep feature的提取方式 good point应该满足： they should be distributed more or less evenly throughout the image; have good repeatability between different view- points; be recognizable and distinguishable with descrip- tors; should n.
Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds 笔记
Orientliu96的博客
04-07 1148
Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds 本文介绍一篇cvpr2020里面关于点云无监督识别的文章。 论文 代码 1. 问题 以无监督的方式来学习点云，而且在modelnet和scannetobject 数据集上达到了和有监督方式的一样的精度。 2...
【论文笔记】Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey
行码棋
03-03 1000
Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey
【CVPR2020】计算机视觉与模式识别会议论文完全清单_Part2
TomRen
06-11 3662
CVPR 2020 的论文已经于6月10号放出 由于篇幅限制分两部分发出—>part1 Todo：word-cloud Relative Interior Rule in Block-Coordinate Descent Author: Tomas Werner,Daniel Prusa,Tomas Dlask Learning Combinatorial Solver for Graph Matching Author: Tao Wang,He Liu,Yidong Li,Yi Jin,Xi.
【CVPR2020】计算机视觉与模式识别会议论文完全清单_Part1
TomRen
06-11 5023
CVPR2020的文章收录清单
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
热门推荐
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
CVPR2018下载+CVPR2018论文百度云+2018CVPR论文下载+2018CVPR百度云
王博（Kings）的博客
06-25 5066
链接：https://pan.baidu.com/s/1QUXtDp5RQVNx-R55TkL13Q 提取码：
（九：2020.08.27）CVPR 2019 追踪之论文纲要（译）
Jojo论文基地
08-28 9253
CVPR 2019 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这900篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录 论文 概要
《论文阅读22》APR: Online Distant Point Cloud Registration through Aggregated Point Cloud Reconstruction
darren_pty
09-02 356
我们的设计迫使编码器提取功能，丰富的本地几何信息的基础上，一个单一的输入点云。此外，解码器对单个点云的特征图进行解码，并导出重构的点云，该重构的点云与聚合点云（APC）进行比较，该聚合点云被定义为对应车辆的一系列点云帧对齐在一起。Qin等人，2022]，其中首先对下采样点云执行配准（即，超级点），然后级联到匹配的超级点周围的更密集的点云补丁上。例如，对于驾驶安全应用来说，采用严格的配准准则是极其关键的，例如，0.5°的旋转误差和0.5米的平移误差（对应于在50米内的所有位置处小于一米的最大平移误差）。
【论文介绍】Feature-metric Registration: A Fast Semi-supervised Approach for Robust PointCloud
CrissiApril的博客
11-27 670
在第n步特征提取后得到的点云P、Q的特征得到特征度量投影误差r，计算FP的雅可比矩阵J，将r和J带入方程（2）中计算出这一步骤的变换增量，进而得到下一步骤的变换参数，进而得到下一步的Q的初始点云状态，使Q逐步向P对准。其中，r(F(P)，F(RQ+t))=||F(P)−F(RQ+t)||2被称为特征度量投影误差，F(P)是点云P的特征，K是特征维数，F是编码器模块学习到的特征提取函数。其中，p∈A是单位面积中的一系列点，x为点云特征，φθi为MLP参数中的第i个分量，S*为原始输入的3D点。
triplet loss 图像检索_Pixel2Mesh：从单帧RGB图像生成三维网格模型
weixin_39630999的博客
11-23 380
Pixel2Mesh: Generating 3D Mesh Models from Single RGB ImagesPixel2Mesh[paper][code]一、Introduction从单一视角推断三维形状是人类视觉的一项基本功能，但对计算机视觉来说却是一项极具挑战性的工作。利用规则网格上的卷积层或多层感知，估计的三维形状作为神经网络的输出，可以表示为体积或点云。然而，这两种表示都会丢失...
CVPR2020在2月24日公布论文
qq_27403925的博客
06-02 976
CVPR2020在2月24日公布了所有接受论文ID，相关报道：1470篇！CVPR2020结果出炉，你中了吗？（附部分论文链接/开源代码/解读）。自论文ID公布以来，许多开发者都分享了自己的优秀工作。 从论文ID公布以来，极市一直在对CVPR进行实时跟进，本文是对CVPR2020论文整理和分类，均有论文链接，部分含开源代码，涵盖的方向有：目标检测、目标跟踪、图像分割、人脸识别、姿态估计、三维点云、视频分析、模型加速、GAN、OCR等方向。 为了方便大家阅读，小极已经将全部论文下载并打包。扫描下方二维码
点云深度学习系列博客(二): 点云配准网络PCRNet
05-20 6518
凡是对点云相关应用有些了解的同学，相信都接触过点云配准。配准相关的经典算法，包括ICP，NDT，FPFH，已被广泛应用于工业设计，定位，SLAM，自动驾驶等领域。尤其在SLAM和自动驾驶领域，随着家庭清扫机器人和电动汽车的普及，基于激光扫描技术的点云配准技术越发重要。可见点云配准及其相关研究的重要性。今天的点云深度学习系列博客为大家介绍一个用于点云配准深度网络：PCRNet [1]。
CVPR 2020最新热点：物体位姿估计
Paper weekly
05-26 1991
©PaperWeekly 原创 ·作者｜文永明学校｜中山大学硕士生研究方向｜物体位姿估计、目标检测目录G2L-Net：从全局到局部的 6D 位姿估计网络PVN3D：3D 关键点投票 6...
【论文笔记】点云配准网络 3D Local Features for Direct Pairwise Registration 2019
phy12321的博客
08-31 1249
慕尼黑工业大学, 西门子 ,国防科大 本文针对点云配准和点云相对位姿估计问题，提出了适应于该任务的局部描述子，以及在该描述子上进行相对位姿回归的网络，RelativeNet。 局部特征的学习根据2D图像的方法，应该先设计好用的局部描述子，或者使用网络学习。 然而，作者指出，现有的3D描述子无论是手工设计还是网络学习，都不能像2D描述子一样将领域内的边缘朝向等信息提取出来，因而并不适用于点云配准任务。 论文方法 大概思路 如上图，网络的输入是一个fragment pair包含的多个点云patches p.
Unsupervised Learning of Probably Symmetric Deformable 3D 损失函数改进
最新发布
03-13
<think>好的，我现在需要帮助用户解决关于无监督学习中可能对称的可变形3D模型损失函数的改进方法的问题。首先，我需要理解用户的具体需求。用户提到的关键词包括无监督学习、对称性、可变形3D模型以及损失函数的改进技术。接下来，我需要回忆相关知识，并结合现有的文献来组织答案。 首先，无监督学习在3D模型中的应用通常涉及自动编码器或生成对抗网络等结构，这些方法不需要标注数据，适合处理可变形物体。对称性在这里可能指的是几何对称性，比如左右对称的物体，这在损失函数设计中需要考虑，以提高模型的泛化能力和重建精度。 接下来，损失函数的改进技术可能包括对称性约束、几何一致性、对抗训练等。例如，对称损失函数可以通过比较原始形状和其镜像对称形状的差异来设计。此外，几何一致性损失可以确保变形后的模型保持物理合理性，如平滑变形和体积保持。 然后，我需要查阅相关的文献。根据用户提供的引用，引用[1]提到了生成形状模型在轮廓空间中的应用，这可能与形状重建和对称性处理有关。引用[2]讨论了单目密集3D重建，可能涉及动态场景中的变形模型，这对可变形3D模型的损失函数设计有参考价值。 现在，我需要将这些点整合成结构化的回答。可能需要分点讨论损失函数的设计策略，并结合对称性的利用方法。同时，需要确保使用正确的中文术语和LaTeX格式的数学表达式，如对称损失函数的具体公式，比如$L_{sym} = ||S(x) - \hat{x}||_2^2$，其中$S(x)$是对称变换后的形状，$\hat{x}$是重建后的形状。 还要考虑用户可能需要进一步的问题，比如如何平衡不同的损失项，或者具体的实现技巧。因此，生成相关问题时要涵盖这些潜在的需求，例如对称性检测方法、多任务学习的应用，以及如何处理动态场景中的变形。 最后，检查是否所有数学表达式都正确使用$...$或$$...$$格式，确保回答符合系统级指令的要求，并且引用正确标注。需要避免任何Markdown格式，保持回答自然流畅，结构清晰。</think>### 无监督学习中对称可变形3D模型损失函数改进方法 在无监督学习框架下，针对可能对称的可变形3D模型，损失函数设计需要结合几何对称性、形状一致性及变形规律。以下是主要改进技术： #### 1. **对称性约束损失** 通过显式编码几何对称性，强制模型在潜在空间中保留对称特性： - **对称重建损失**：对输入形状$x$及其对称变换$S(x)$施加一致性约束： $$L_{sym} = \| S(G(z)) - G(S(z)) \|_2^2$$ 其中$G$为生成模型，$z$为潜在编码[^1]。 - **对称对抗损失**：在判别器中引入对称鉴别器，判断生成形状是否满足对称性。 #### 2. **几何一致性损失** - **变形场平滑约束**：对变形场$T$施加正则化： $$L_{smooth} = \sum_{i,j} \| T(p_i) - T(p_j) \|^2 \cdot w_{ij}$$ 其中$w_{ij}$表示相邻点$p_i,p_j$的权重。 - **体积保持约束**：通过雅可比行列式惩罚非刚性变形： $$L_{vol} = \sum \| \det(J_T(p)) - 1 \|^2$$ #### 3. **多模态自监督信号** - **轮廓空间对齐**：利用生成形状模型在轮廓空间中的投影差异作为监督信号： $$L_{sil} = \text{IoU}(\text{Proj}(G(z)), \text{Proj}(x))$$ - **动态场景约束**：对于动态变形，引入两视角间的光流一致性约束[^2]。 #### 4. **分层潜在编码** 将潜在空间分解为对称参数$z_{sym}$与非对称变形$z_{def}$： $$ z = [z_{sym}; z_{def}] $$ 通过解耦编码，可独立优化对称相关特征。 #### 5. **概率对称建模** 引入概率对称检测模块，自动推断对称概率分布： $$ P(sym) = f_{\theta}(x) $$ 动态调整对称约束强度，适应部分对称或噪声数据。 ### 实现示例（伪代码） ```python def loss_function(x, x_recon, T, z): # 对称重建损失 sym_loss = torch.norm(sym_transform(x_recon) - recon_sym_x)**2 # 变形平滑损失 grad_T = torch.autograd.grad(T, inputs=points, create_graph=True) smooth_loss = grad_T.norm(dim=-1).mean() # 多视角一致性 view1, view2 = render_multiview(x_recon) photo_loss = SSIM(view1, view2) return sym_loss + 0.1*smooth_loss + 0.5*photo_loss ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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