PCRNet: Point Cloud Registration Network using PointNet Encoding

最新推荐文章于 2025-08-13 12:43:36 发布
原创 最新推荐文章于 2025-08-13 12:43:36 发布 · 1.5k 阅读 · 11 ·
CC 4.0 BY-SA版权
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。
文章标签：

#pytorch #深度学习 #python

PCRNet是一种在ModelNet40数据集上进行点云配准的简单深度学习模型。通过PointNet获取全局特征，然后将特征拼接并用全连接层预测位姿。尽管模型简单，但通过迭代方式能实现多次优化。实验结果显示在不同设置下有不同程度的精度。该文适合初学者作为点云配准的入门资源。

在这里插入图片描述
PCRNet算是在ModelNet40这种object-centric数据集上用deep-learning做配准最好入手的一篇文章了，整体架构涉及简洁明了，一句话描述就是简单粗暴，话不多说，直接上网络架构图：
在这里插入图片描述

Work Flow:

  1. 首先对输入source ( N × 3 N \times 3 N×3)与template ( M × 3 M \times 3 M×3)进行PointNet操作，即MLP + max-pooling后，分别得到描述各自点云的维度为1024的global feature vector： Φ ( P S ) , Φ ( P T ) \Phi ({P_S}),\Phi ({P_T})
最低0.47元/天 解锁文章
论文解读《PCRNet: Point Cloud Registration Network using PointNet Encoding》
ZYLer_的博客
12-24 1090
第一部分基本等同于PointNet全局特征提取结构，分别由几个MLP组成，数据维度分别变换为（64，64，64，128，1024），之后做最大池化，每一维取最大值，那么就从一个n×3的点云变成1×1024的特征向量。基于一个大的样本库，并且包含各种各样的姿态，利用深度学习获得一个全局最优的结果，听上去是一个可行的方案。之前的工作还是使用传统的优化方法，如牛顿法，ICP，梯度下降，LK算法等，针对编码后的特征向量实现姿态对齐。，有效的学习了大规模样本的配准规律，且对噪声的鲁棒性具备一定优势。
[arXiv 2019] PCRNet: Point Cloud Registration Network using PointNet Encoding
zhulf0804的博客
10-30 2874
零、概要 论文: PCRNet: Point Cloud Registration Network using PointNet Encoding tag: 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
PCRNet: Point Cloud Registration Network using PointNet Encoding 论文解读
NPU 研0
08-18 1413
PCRNet网络结构、迭代PCRNet网络、损失函数、实验
【论文笔记】点云配准网络 PCRNet: Point Cloud Registration Network using PointNet Encoding 2019
phy12321的博客
09-05 6157
卡内基梅隆大学, 富士通 , Argo, 苹果 本文使用PointNet对点云提取全局特征，不需要计算点云之间的一一对应关系，因此能够实现快速的点云配准。 PCRNet根本没有用到局部特征，因此在速度上有优势，精度上会有所妥协。加入了局部特征信息的模型应该会有更高的精度。 PCRNet 的另一特点是其迭代版本鲁棒性很强，可以对类内不同实例进行鲁棒的配准，其他配准方法不行，还是只使用了全局特征的原因。 模型整体结构简单，可以快速上手。 PCRNet 输入为template点云和source点云，首先使.
点云配准网络 PCRNet: Point Cloud Registration Network using PointNet Encoding 2019
jacke121的专栏
06-30 2985
本文使用PointNet对点云提取全局特征，不需要计算点云之间的一一对应关系，因此能够实现快速的点云配准。 PCRNet根本没有用到局部特征，因此在速度上有优势，精度上会有所妥协。加入了局部特征信息的模型应该会有更高的精度。 PCRNet 的另一特点是其迭代版本鲁棒性很强，可以对类内不同实例进行鲁棒的配准，其他配准方法不行，还是只使用了全局特征的原因。 模型整体结构简单，可以快速上手。 PCRNet 输入为template点云和source点云，首先使用一个5层的MLP对输入的点云进行处理，然
点云深度学习系列博客(二): 点云配准网络PCRNet
05-20 6809
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]。
机器人视觉抓取论文及代码资源
light169的专栏
03-25 6819
Vision-based Robotic Grasping: Papers and Codes According to the kinds of grasp, the methods of vision-based robotic grasping can be roughly divided into two kinds,2D planar graspand6DoF Grasp. Th...
【亲测免费】 PCRNet 点云配准网络使用教程
gitblog_00513的博客
09-14 924
PCRNet 点云配准网络使用教程 1. 项目介绍 PCRNet（Point Cloud Registration Network）是一个基于PointNet编码的点云配准网络。该项目由Vinit Sarode和Xueqian Li开发，旨在通过深度学习技术实现点云数据的快速配准。PCRNet利用PointNet提取点云的全局特征，并通过全连接网络预测点云之间的相对位姿，从而实现高效的点云配准。 ...
PCRNet 项目使用教程
gitblog_00706的博客
09-14 435
PCRNet 项目使用教程 1. 项目的目录结构及介绍 PCRNet 项目的目录结构如下： pcrnet/ ├── images/ ├── models/ ├── plot_results/ ├── test_icp/ ├── utils/ │ └── pc_distance/ ├── LICENSE ├── PCRNet.py ├── README.md ├── helper.py ├── ...
【点云配准】【深度学习】Windows11下PCRNet代码Pytorch实现与源码讲解
yangyu0515的博客
02-20 2822
【点云配准】【深度学习】Windows11下PCRNet代码Pytorch实现与源码讲解
各类串口驱动
09-30
485驱动 CP210x_VCP_Windows ST-LINK_USB_V2_Driver USB Serial Converter USB Serial Port (COM7)
深度学习 图像分割 PSPNet 论文复现（训练 测试 可视化）
LPY coder的博客
10-03 9159
PSPNet(Pyramid Scene Parsing Network)来自于CVPR2017的一篇文章，中文翻译为金字塔场景解析网络，主要用于图像分割。此架构引入了金字塔池化（Pyramid Pooling）模块，以捕捉不同尺度下的上下文信息。Pyramid Pooling可以在不同尺度上提取全局和局部上下文信息，有助于更好地理解图像中的语义内容，从而提高分割性能。
【Geometry Preserving---多模态】
weixin_43690932的博客
10-09 619
仅供自己参考
（11）点云数据处理学习——Colored point cloud registration（彩色点注册）
chencaw的专栏
12-04 1712
dd
52、PCR - CG: 基于深度显式颜色与几何的点云配准方法
最新发布
v4w5x6的博客
08-13 46
本文提出了一种基于深度显式颜色与几何融合的点云配准方法——PCR-CG。通过引入新颖的2D-3D投影模块，将2D颜色特征显式嵌入3D点云表示，从而提升点云配准的性能。该方法在3DLoMatch和3DMatch基准上进行了大量实验，结果表明其在配准召回率、特征匹配召回率等关键指标上显著优于现有方法。此外，文章还探讨了2D预训练网络在3D任务中的可迁移性，为未来的研究提供了有价值的参考。
服务器配准深度学习环境（二）—— 搭建torch和对应版本的torchvision
吃不胖的粥
10-14 1156
接着上一篇安装完anaconda后，就可以一步一步来搭建我们炼丹需要的环境了 因为我目前在做点云配准，这次呢，就以pcrnet为例，我们来搭建环境 pcrnet源码地址：https://github.com/vinits5/pcrnet_pytorch pcrnet文章地址：https://arxiv.org/abs/1908.07906 pcrnet需要的环境（源码一般会告诉你需要啥） 那我们就先安装torch和torchvision吧 1.找到对应版本信息 https://www...
点云 相机位姿_刚体6D位姿估计方法综述
weixin_39780255的博客
12-24 2593
1 引言 刚体的6D位姿估计，是指估计相机坐标系下物体的6D位姿，即3D位置和3D姿态，此时物体本身的坐标系可以看做是世界坐标系，也即得到相机系到物体本身坐标系的RT变换。刚体是指物体不会弯曲变形(手)，也不存在活动关节(胳膊)。刚体的6D位姿估计的意义在于能够获得物体的精确姿态，支撑对于物体的精细操作，主要应用于机器人抓取领域和增强现实领域。在机器人抓取领域，主流的方法是估计...
翻译和理解：Deep Closest Point: Learning Representations for Point Cloud Registration
夜晓岚的博客
11-21 3868
Title:Deep Closest Point: Learning Representations for Point Cloud Registration Authors:Yue WangJustin M. Solomon 原文链接：https://arxiv.org/abs/1905.03304 翻译: 夜晓岚渺渺 （理解的不够深刻，翻译有些出入，仅作为个人的笔记和交流学习） ...
Retinanet 代码复现过程笔记 pytorch
qq_40310050的博客
09-27 2058
主要记录一下自己的复现热retinanet的一个过程。 参考了：这篇博客写的很好 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：链接: https://blog.youkuaiyun.com/baidu_38406307/article/details/105467019. ———————————————— 版权声明：本文为优快云博主「berrymusic」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 这个是在
sensor_msgs::PointCloud转sensor_msgs::PointCloud2格式
11-21
`sensor_msgs::PointCloud` 和 `sensor_msgs::PointCloud2` 都是ROS（Robot Operating System）中用于表示三维点云数据的消息类型，但它们有不同的结构和用途。`sensor_msgs::PointCloud`更像是一种基础的数据结构，它包含一维数组的形式，而`sensor_msgs::PointCloud2`则是一个更为通用的二进制消息格式，适合在ROS网络中高效传输。 如果你需要将`sensor_msgs::PointCloud`转换成`sensor_msgs::PointCloud2`格式，通常会在ROS节点程序中这样做： 1. **创建PointCloud2消息**：首先，你需要创建一个新的`sensor_msgs::PointCloud2`实例。 2. **填充数据**：遍历PointCloud中的每个点，获取其位置、颜色等信息，并将其插入到PointCloud2的对应列中。这包括设置header信息、宽度（points的数量）、高度（通常为1，因为它是点云），以及每行的步长（通常是3，代表x、y、z三个维度）。 3. **设置数据类型**：根据点的属性，设置`sensor_msgs::PointField`，然后添加到`sensor_msgs::PointCloud2`的fields部分。 4. **序列化数据**：最后，调用`pcl_to_pointcloud2()`函数或者其他相关的函数（如RosBridge提供的`pc2.serialize()`），将PointCloud转换为二进制形式并存储到PointCloud2的data字段。 以下是一个简单的伪代码示例： ```cpp // 假设已有一个sensor_msgs::PointCloud cloud sensor_msgs::PointCloud2 cloud2; // 初始化PointCloud2 fillHeader(cloud2, cloud.header); cloud2.fields = ... // 设置field信息 // 将PointCloud数据逐点复制到PointCloud2 for (const auto &point : cloud.points) { point.cloud_data.push_back(point.x); point.cloud_data.push_back(point.y); point.cloud_data.push_back(point.z); } // 序列化数据 pcl_conversions::fromPCL(cloud, cloud2.data); ```
评论 4
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