(NIPS 17) PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

【论文阅读笔记】PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space(一)论文地址:(二)核心思想: (一)论文地址: https://arxiv.org/abs/1706.02413 (二)核心思想: ... 阅读详情

在这里插入图片描述
PointNet++[1]作为PointNet[2]的续作,着重于解决PointNet[2]没有能够很好的提取局部特征的问题,限制了其对细节图案(fine-grained patterns)的理解,无法泛化至其他复杂的任务场景。通过设计一种层级式(Hierarchical)的结构,对输入点云进行分块,重复使用PointNet[2]结构以增加对局部信息的获取能力。
在这里插入图片描述
整体的网络架构如上图所示,流程相对简洁,对于输入点云,设计一种层级式架构进行特征提取。

Hierarchical Point Set Feature Learning

PointNet[2]使用MLP+Pooling operation对整体输入点云进行一次性特征描述,并没有能够较好的做到细节部分的处理,因此PointNet++[1]采用层级聚合式操作不断扩大感知区域。
如上图左侧所示,这里只以分类网络为例,首先通过FPS最远点采样进行下采样,采样点即为centroids,接着进行ball query操作以生成局部球形领域,接着使用PointNet[2]也即MLP操作进行特征升维操作。以上操作进行2次,第三次时直接对剩下的所有点进行MLP+Maxpooling操作得到global vectors,接着再使用MLP生成对应的分类概率即可。

Robust Feature Learning under Non-Uniform Sampling Density

针对点云可能具有不均衡的密度分布等问题,区别于以上的最简单的Single-scale grouping(SSG)策略,设计了两种新策略Multi-scale grouping(MSG)与Multi-resolution grouping(MRG)以解决以上问题:
在这里插入图片描述
具体操作如上图所示,比较浅显易懂,即在PointNet[2]特征升维阶段将不同尺度下提取到的特征进行拼接(concatenation).

Experiment

代码版本采用第三方复现版本。验证在ModelNet40上的分类效果。

ModelcommentsampleAcc(%)
PointNet++reported in paper500091.9
PointNet++_SSGpointnet2_cls_ssg_250.pth102491.4
PointNet++_SSGpointnet2_cls_ssg_250.pth500091.2
PointNet++_MSGpointnet2_cls_msg_250.pth102491.6
PointNet++_MSGpointnet2_cls_msg_250.pth500091.0

Reference

[1] Qi C R, Yi L, Su H, et al. Pointnet++: Deep hierarchical feature learning on point sets in a metric space[J]. Advances in neural information processing systems, 2017, 30.
[2] Qi C R, Su H, Mo K, et al. Pointnet: Deep learning on point sets for 3d classification and segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 652-660.

STM32H743VIT6最小系统板PCB设计全流程(AD09实战教程+封装库分享) 本文详细介绍了基于STM32H743VIT6高性能MCU的最小系统板PCB设计全流程。内容涵盖从项目规划、原理图设计到PCB布局布线的AD09实战操作,重点解析了高速电路设计中的电源、时钟、去耦等关键模块的处理要点与常见陷阱,并分享了经过验证的封装库资源,旨在为工程师提供一套完整、可靠的设计方法与实战参考。 阅读详情

相关推荐

博图V16与840D sl数控系统PLC编程实战指南

本文为西门子840D sl数控系统的PLC编程实战指南,详细介绍了如何使用博图V16软件配置编程环境。内容涵盖从项目创建、核心程序块(如DB、FB)解析到OB1主循环编程的完整流程,并提供了高级调试技巧与联调避坑指南,帮助工程师快速上手并高效完成系统集成与逻辑控制。

weixin_29193259的博客 528

PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

基本简介 论文下载地址:https://arxiv.org/pdf/1706.02413.pdf 代码开源地址:https://github.com/charlesq34/pointnet2 作者以及论文信息如下: 这一篇文章和 PointNet 论文是一个系列,并且是同一个作者的研究成果,但是两篇论文却有较大的区别。这篇论文在后续的点云处理上,被引用次数非常多,常作为3D点云特征提取的基础模块,类似于2D图像的 ResNet 算法。 Abstract 以前很少有工作研究直接处理3D点集的深度学习

DAOCHI 10000

【AI智能体】图像处理-生成营销 Banner 图

生成营销 Banner 图是一款用于制作营销图片的智能体,它可以根据指定的营销活动内容,快速生成活动 Banner 图片,降低活动运营成本、提高制图效率。

AI创变工坊,和1000万新个体创业者一起成长!愿大家都能跟上时代的洪流,不被社会淘汰,愿大家的生活工作收入都能具备竞争力! 1176

【计算机图形学】PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

对PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space的简单理解

passer__jw767的博客 1466

PX4飞控神经网络控制:从仿真到嵌入式部署实战

神经网络控制正逐步革新传统PID在无人机领域的统治地位。通过将深度学习模型部署到PX4飞控硬件,实现了从传感器数据直接生成电机指令的端到端控制。这种架构依赖TensorFlow Lite Micro等轻量级推理框架,在STM32等嵌入式处理器上可达到93μs级推理速度。关键技术突破包括:基于NVIDIA Isaac Gym的高效仿真训练、模型量化压缩技术(如8位整数量化)、以及与PX4原生安全架构的无缝集成。该方案在mRobotics Pixracer Pro等硬件上验证了可行性,为无人机姿态控制、视觉导航

weixin_30570101的博客 404

从‘平行’到‘鱼骨’:手把手拆解AlGaN/GaN HEMT多栅指结构的布局优化实战

本文深入探讨了AlGaN/GaN HEMT多栅指结构的布局优化,从传统的平行栅结构到创新的鱼骨栅结构,详细解析了如何通过优化信号路径和热管理提升功率器件的性能。文章结合实测数据和EDA工具,展示了鱼骨栅结构在相位一致性、热阻和版图利用率方面的显著改进,为射频功率放大器设计提供了实用指导。

weixin_27061475的博客 443

PointNet++:Deep Hierarchical Feature Learning on Point Sets in a Metric Space

针对于PointNet出现的问题:没有能力捕获局部结构,这使得在复杂的场景中很难应用。PointNet++的作者主要通过两个主要的方法进行了改进,使得网络能更好的提取局部特征: 一是利用空间距离(metric space distances),使用PointNet对点集局部区域进行特征迭代提取,使其能够学到局部尺度越来越大的特征。 二是由于点集分布很多时候是不均匀的,如果默认是均匀的,会使得网络性能变差,所以作者提出了一种自适应密度的特征提取方法。

Alkaid2000的博客 2214

学Simulink——基于故障诊断与容错控制的场景实例:并网逆变器在短路故障下的动态响应及恢复策略

本文详细介绍了使用Simulink进行并网逆变器短路故障模拟与保护策略设计的方法。通过构建高精度逆变器模型,模拟IGBT击穿和桥臂直通故障,分析动态响应特性。重点设计了基于Stateflow的微秒级快速保护逻辑,包括过流检测、PWM闭锁和故障报警。同时提出完整的恢复策略流程,涵盖放电、去磁、自检和软启动等关键步骤。仿真结果表明,该方法能在200μs内有效限制短路电流,保护器件安全,并实现系统可靠恢复。文章还探讨了硬件保护协同、多级保护和预测保护等高级策略,为新能源系统的安全运行提供了重要参考。

amy_mhd的博客 144

PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space 论文和代码详解

PointNet++论文和代码详解

qq_43572747的博客 889

C++ Qt6 QtQuick/QML入门进阶与项目实战视频教程

C++ Qt这些年在PC客户端、嵌入式、汽车座舱仪表等领域应用很广泛,例如剪映专业版、微信4.0、亿图脑图、Steam、美图秀秀、腾讯会议、钉钉(部分模块)等都是使用C++ QWidget/QML开发。特别是QML这种声明式UI开发更加快捷,QML的界面开发效率相对于QWidget更快速,界面效果更好,QtQuick/QML在Qt6版本也逐渐完善了,使用QML进行客户端开发是个不错的选择。

琅嬛福地 4497

嵌入式软件工程师面试题目整理(一)

文章目录嵌入式软件工程师面试题目整理(一)Arm有多少32位寄存器?Arm2440和6410有什么区别CPU,MPU,MCU,SOC,SOPC联系与差别上拉&下拉&高阻态串口协议讲一讲RS232和RS485通讯接口有什么区别IIC时序图画一下,IIC有哪些状态,给一个字节,将它发送出去。IIC有什么注意事项?有没有用I/O模拟IIC,如果有需要注意什么?为什么2440的内存起始地址是3后面7个0呢?为什么6410的内存起始地址是5后面7个0呢?内存管理有什么看法?(MMU)锁有哪些?有什么注

嵌入式与Linux那些事的博客 7884

NIPS2017_PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

Author 和PointNet是同一批作者,这是对PointNet的一个改进版本 Abstract PointNet不能很好的捕捉由度量空间引入的局部结构,也就限制了它识别细粒度类别的能力以及对复杂场景的泛化能力 本文提出一个层级的神经网络递归地应用在嵌套划分的输入点云集。 通过探索度量空间的距离,本文设计的网络结构随着上下文尺度的增加可以学习到局部特征 更深的观察发现,点云集的密度...

weixin_30662109的博客 191

002、搭建你的第一个Agent开发环境:Python与核心库安装

在上一篇《Agent智能体开发入门:概念、应用与前景》中,我们描绘了Agent智能体的宏伟蓝图,理解了其作为“数字员工”的巨大潜力。然而,许多开发者在迈出第一步时,常常被复杂的依赖、版本冲突和晦涩的配置所劝退,空有想法却无从下手。这种感觉就像拿到了一张藏宝图,却找不到出发的港口。本文正是你的“启航指南”。我们将彻底解决这个痛点,通过一个清晰、可复现的流程,为你搭建一个专为Agent开发量身定制的Python环境。一个纯净、隔离的Python虚拟环境,避免项目间的“依赖地狱”。一套经过验证的核心工具链。

G_RE_RE的博客 112

【点云】《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》

在PointNet++中,MLP的使用与PointNet类似,但在处理局部区域和多尺度特征时,PointNet++引入了额外的MLP网络来捕捉不同尺度上的局部特征。在PointNet的最后阶段,全局特征向量被送入另一个MLP网络,这个网络根据具体的任务(如分类或分割)来输出最终的预测结果。N是数据集中有N个点,d是欧氏空间维数,二维或者三维,C是每个点还可能具有的其他特征的维度,颜色、法线等。:最远点采样FPS选择子集,比随机采样好,输入是Nx(d+C)个点,输出是选定的N’个中心点形成的点集。

qq_51954707的博客 1128

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

点云配准论文阅读5- PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

之前很少有研究研究点集深度学习的作品。PointNet [20] 是这个方向的先驱。然而,根据设计,PointNet 无法捕获由所在度量空间点引起的局部结构,从而限制了其识别细粒度模式的能力以及对复杂场景的泛化能力。在这项工作中,我们引入了一种分层神经网络,它将 PointNet 递归地应用于输入点集的嵌套分区。通过利用度量空间距离,我们的网络能够随着上下文尺度的增加来学习局部特征。

dc爱傲雪和技术 1616

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

[论文简述+翻译]PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

已有工作很少研究点集深度学习。Pointnet[ 20 ]是该方向的先驱。然而,通过设计,Pointnet无法得到度量空间点所在的局部结构,限制了其识别细粒图片的能力和对复杂场景的泛化能力。在这项工作中,我们引入了一个分层神经网络,该网络在输入点集的嵌套划分上递归地应用点Pointnet。通过利用度量空间距离,我们的网络能够随着上下文规模的增加学习局部特征。进一步观察到点集通常以不同的密度进行采样,这导致在均匀密度上训练的网络性能大大降低,我们提出了新的点集学习层来自适应地组合来自多个尺度的特征。

Javier.Lin_HUST的博客 1199

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

论文总结--PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

PointNet++ 是。

m0_60799447的博客 956

PointNet++:Deep Hierarchical Feature Learning on Point Sets in a Metric Space 论文解析

一.Abstrcat 一.Abstract 1.pointNet是在该领域先驱者但是它不能在多尺度下捕获局部结构信息,对于细粒度的识别任务以及复杂场景的泛化能力都有限制 2.PointNet++提出了分层神经网络,应用PointNet递归的分区点云数据 ...

761527200_leili的博客 1974

【论文阅读】3D点云 -- PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

Abstract 以前很少有研究点集深度学习的著作。PointNet[20]是这方面的先驱。然而,通过设计,点网无法捕获由度量空间点所产生的局部结构,从而限制了其识别细粒度模式的能力以及对复杂场景的通用性。在这项工作中,我们介绍了一种分层神经网络,它将点网递归地应用于输入点集的嵌套划分。通过利用度量空间距离,我们的网络能够在不断增加的上下文范围内学习局部特征。进一步观察到点集通常以不同的密度采样,这导致在均匀密度上训练的网络的性能大大降低,我们提出了新的集学习层来自适应地组合来自多个尺度的特征。实验表明,我

magic_ll的博客 1247

「论文阅读」PointNet++:Deep Hierarchical Feature Learning on Point Sets in a Metric Space

「论文阅读」PointNet++:Deep Hierarchical Feature Learning on Point Sets in a Metric Space

小麋鹿跑了的博客 4386

【论文阅读笔记】《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》

《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》 Qi C R, Yi L, Su H, et al. Pointnet++: Deep hierarchical feature learning on point sets in a metric space[C]//Advances in neural information processing systems. 2017: 5099-51

longteng_guo的博客 629

[neurips论文阅读]Pointnet++: Deep hierarchical feature learning on point sets in a metric space.

然而,PointNet 的设计并未捕捉到由点所在的度量空间引起的局部结构,从而限制了它识别细粒度模式和对复杂场景的泛化能力。通过利用度量空间的距离,我们的网络能够学习具有不断增大的上下文尺度的局部特征。为此,我们提出了新颖的集合学习层,以自适应方式组合多个尺度的特征。特别是,在具有挑战性的三维点云基准测试中,我们取得了明显优于最先进方法的结果。否则,训练是在均匀密集的点上进行的。图2:我们的分层特征学习架构的图示,以及其在点集分割和分类中的应用,以2D欧几里得空间中的点为例。图7:非刚性形状分类的示例。

价值知识传播者 505

论文阅读:PointNet++: Deep Hierarchical Feature Learning onPoint Sets in a Metric Space

pointnet的改进版pointnet++

qq_53086461的博客 544
上一篇: (ICCV 19) Deep Closest Point: Learning Representations for Point Cloud Registration
下一篇: (TOG 19) DGCNN: Dynamic Graph CNN for Learning on Point Clouds
dloading7
博客等级 码龄9年 13粉丝 17原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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