Deep Closest Point学习笔记（才开始接触点云）

最新推荐文章于 2025-07-02 15:47:06 发布
原创 最新推荐文章于 2025-07-02 15:47:06 发布 · 888 阅读 · 2 ·
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：

#学习 #深度学习 #人工智能

本文详细介绍了DeepClosestPoint网络结构，该模型基于DGCNN，通过Transformer引入注意力机制，解决了点云配准问题。相较于传统ICP方法，DeepClosestPoint避免了局部最小值陷阱，能综合考虑局部和全局特征以及点云间关系。不过，该方法的损失函数仍有待优化，且训练数据量有限。对于不理解的地方，包括DGCNN为何分层以及softmax的具体操作，建议进一步阅读原文进行研究。

1.Deep Closest Point的网络结构：

2.网络结构的理解：

    （1）DGCNN是基于PointNet的改进，PN提取点的特征的时候没有考虑邻域的点，但 DGCNN考虑了，文中的说明公式为：

     （2）DGCNN提取全局特征和局部特征后得到Fx、Fy，然后采用At

最低0.47元/天 解锁文章
【AIS】Constructing Immune-cover for Improving Holistic Security of Spatial Adaptive Steganography
人生不是轨道，是旷野。希望每天都有好心情。
12-11 234
首先，从每个突变集Mutate（Abk(t)）中选择亲和力最高的抗体M(t) = {Abm kopt (t)|k∈[1，S × Ir]}加入新一代群体，保留抗体突变阶段搜索到的最优免疫加工Abm kopt (t)。为了保留优化性能较强的抗体，我们从群体P(t)中选择具有较大Ir亲和力的抗体形成集合IS(t) = {Ab(t)|Ab(t)∈TopAf f (Ir)}，其中Ir为免疫选择率，取值范围为0 ~ 1。Abxi对每个像素协同进行的免疫处理强度决定了抗体Ab的优化性能，从而影响隐写的安全性。
论文阅读 点云动态图卷积(DGCNN)
热门推荐
sunny_ckyh的博客
01-24 1万+
DGCNN 1. 背景介绍 1.1 点云 点云（Point Cloud），顾名思义是很多2维或3维点的集合。 因为传感器获取的数据往往是点云形式，而将点云还原成图形再进行处理的方法消耗过大，所以直接利用点云进行操作的一类技术应运而生。目前点云相关的任务基本已经覆盖图像领域的大多数任务，如分类、分割等。 1.2 前期工作 1.2.1 CVPR2017 PointNet 之前针对3D点云数据处理的思路有两种： 将数据从高位空间投影到低维空间，在二维平面上处理 3D卷积 但降维方法对投影要求很高且必然会损失信
【论文笔记】点云配准网络 Deep Closest Point: Learning Representations for Point Cloud Registration 2019
phy12321的博客
07-14 6265
作者：Yue Wang， Justin M. Solomon 研究机构：MIT 代码链接：代码 使用概率的方法可以得到soft的结果从而保证了可微性。 论文解决的问题 目标任务：点云配准，输入两个点云数据，寻找点云数据之间的刚性变换，输出点云之间的变换矩阵和点云的对应关系。 本文提出基于深度学习的单步（无需迭代）点云配准方法Deep Closest Point，性能SOTA，提取的点云特征在未见类别和目标上获得了很好的泛化性，以及证明了局部特征对于点云配准的促进作用。 现有方法的不足 & 本..
DCP（Deep Closest Point）论文阅读笔记以及详析
Codefmeister's BLOG
12-26 8825
DCP论文阅读笔记 前言 本文中图片仓库位于github，所以如果阅读的时候发现图片加载困难。建议挂个梯子。 作者博客:https://codefmeister.github.io/ 论文 Deep Closest Point: Learning Representations for Point Cloud Registration Author: Wang, Yue; Solomon, Justin Main Attribution 基于ICP迭代最近点算法，提出基于深度学习的DCP算法。解决了IC
DGCNN (Dynamic Graph CNN for Learning on Point Clouds,动态图卷积网络)
T5A_318的博客
09-23 4972
1. 解决问题 2. 关键思想 DGCNN 认为 pointnet++ 属于静态图卷积： pointnet++ 根据点对的欧氏距离构建图，然后在每一层进行图粗化操作。使用最远点采样选取点作为下一层的输入。这样使得每一层的图不断减小，但是图的结构没有改变。 DGCNN 的动态图，是因为在特征空间取k近邻，每层计算的特征都不相同，因此相当于每一层的图都具有不同的顶点。 实验证明，特征空间中的距离可以更好的拉近相同语义点的距离。这样不仅学习到了点云的几何信息，而且学习如何对点云进行分组。 ..
(ICCV 19) Deep Closest Point: Learning Representations for Point Cloud Registration
dloading7的博客
03-30 2166
DCP可以算是小数据集ModelNet40上使用深度学习做配准的开山之作了，首先放一下整体模型架构图： 总体来说，DCP模型主要由4个部分构成： 1. 初始特征生成（Initial Feature Embedding） 2. 注意力机制模块（Attention） 3. 虚拟匹配对生成（Pointer Generation） 4. SVD解位姿 下面按照这几个模块的顺序依次进行分析： Initial Feature Embedding 对于输入的X（source）与Y（target）点云，首先使用DGCN
AI论文探讨室·A+·第24期 Deep Closest Point: Learning Representations for Point Cloud Registration
CSS360的博客
01-14 643
论文地址
翻译和理解：Deep Closest Point: Learning Representations for Point Cloud Registration
夜晓岚的博客
11-21 3876
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） ...
3D Point Cloud Registration for Localization using a Deep Neural Network Auto-Encoder阅读笔记
Vodake的博客
04-15 5113
LORAX(LOcalization by Registration using a deep Auto-encoder reduced Cover Set) 1. Random Sphere Cover Set (RSCS) 2. Selection of a Normalized Local Coordinate System for each Super-point 3. Depth...
MIT18.065 数据分析、信号处理和机器学习中的矩阵方法-学习笔记
baidu_26296695的博客
08-27 3368
文章目录MIT18.065 数据分析、信号处理和机器学习中的矩阵方法Lecture 1 The Column Space of A Contains All Vectors AxA=CRA=CMRLecture 2 Multiplying and Factoring MatricesLU分解的解释Lecture 3 Orthonormal Columns in Q Give QTQ=IQ^TQ=IQTQ=IHouseHolder reflectionHadamard matrices正交矩阵的特征向量矩阵L
【论文阅读】Deep Closest Point: 学习点云配准的表示
最短的捷径就是绕远路，绕远路才是我的最短捷径。
05-24 1026
《Deep Closest Point: 基于深度学习的点云配准方法》提出了DCP框架，通过深度学习解决传统ICP算法的局限性。该方法采用点云嵌入网络（比较PointNet和DGCNN）、基于注意力机制的匹配模块和可微SVD层，实现端到端训练。实验表明DCP在ModelNet40数据集上优于传统方法，具有更好的鲁棒性和泛化能力。DGCNN特征提取和注意力机制显著提升性能，使DCP在机器人、自动驾驶等领域具有重要应用价值。该方法为点云配准提供了新思路，代码开源促进后续研究。
点云配准matlab代码_DCP: Deep Closest Point（点云匹配 ICCV 2019）
weixin_39678531的博客
11-21 1354
点云匹配（Point Cloud Registration）问题，在机器人、医疗图像以及其它相关的计算机视觉任务中是一个很关键的问题。本文主要介绍ICCV2019里面一篇做Registration的文章，记录一些学习笔记和心得。Deep Closest Point: Learning Representations for Point Cloud Registration​openaccess.t...
dgcnn改进idea
cocapop的博客
04-22 691
1.DGCNN中自适应确定k-NN中的k值。
【论文阅读】Deep Closest Point: Learning Representations for Point Cloud Registration
最短的捷径就是绕远路，绕远路才是我的最短捷径。
05-26 732
《深度最近点：学习点云配准的表示方法》提出了一种基于深度学习的点云配准方法Deep Closest Point (DCP)。传统ICP算法容易陷入局部最优且依赖初始化，而DCP通过端到端网络架构实现更鲁棒的配准。该方法包含三个关键模块：点云嵌入网络（采用PointNet/DGCNN提取特征）、注意力机制（建立点云间软对应关系）和可微分SVD层（计算刚体变换）。实验表明DCP在ModelNet40数据集上性能优于传统方法，对噪声和密度变化具有鲁棒性，并能作为ICP的良好初始化。该研究首次将深度学习与几何方法结
Instance Segmentation of Point Cloud Based on Improved DGCNN for Robotic Grasping＜论文＞
cocapop的博客
03-17 1364
摘要点云分割是多目标叠加场景下机器人抓取研究的关键。针对点云分割方法在复杂叠加场景中精度低、鲁棒性差的问题，提出了一种基于动态图卷积神经网络的点云分割算法。在DGCNN特征提取中加入了一个将通道注意力机制和空间注意力机制相结合的通道空间注意力模块。这种改进的方法可以有效地利用点云的特征。为了训练改进的DGCNN网络，我们构建了一个包含800个真实世界堆叠场景的小型矩形对象分割数据集。实验结果表明，我们的分割准确率可以达到88.61%。经过充分的实验表明，采用我们的点云分割方法进行机器人抓取可以获得96%的成
三维点云学习（5）2-Deep learning for Point Cloud-PointNet
Sun的博客
02-25 323
三维点云学习（5）2-Deep learning for Point Cloud 强烈推荐 PointNet的深刻理解 三种使用深度学习处理三维点云的方法 VoxNet 问题： 现实自动驾驶场景中，volex grid 的分辨率需要构建很大，计算量巨大，并不具备扩展性 投影二维卷积法 PointNet 核心： share mlp +max pool 证明PointNet可以模拟任何的函数 PN的表达 PN的鲁棒性 Critical Points Set：useful points Up
PointNeXt: 通过改进的训练以及模型缩放策略重新探究PointNet++
TechBeat人工智能社区博客
07-06 1万+
PointNet++ 是点云理解领域最有影响力的神经网络模型之一。虽然PointNet++ 在性能上已被一些最新的方法如PointMLP和Point Transformer超越，但是我们发现这些方法的性能提升很大程度上源自于更好的训练策略（数据增强和优化方法），以及更大的模型而不是模型架构的创新。...
Deep Closest Point (DCP) 复现
最新发布
weixin_48720457的博客
07-02 317
解决报错问题：RuntimeError: Could not infer dtype of numpy.float32。解决方法：pip install numpy<2.0。原因：pytoch不支持大于2.0版本的numpy。我安装的是numpy==1.23.5。
【点云深度学习】常见网络模块：transformer中的attention机制
m0_46611008的博客
06-08 2282
最近在学习网络的时候发现，许多新论文中的网络设计中仍然沿用了之前经典网络的结构。3D点云领域有一篇热度非常高的网络Deep Closet Point（DCP），其属于Frame-toFrame的结构，attention机制是其核心，那么，如何理解attention机制呢？..................
Deep Closest Point
06-01
Deep Closest Point (DCP) 是一种基于深度学习的点云配准方法，用于将不视角或不同时间点云数据对齐DCP 的核心思想是将点云数据映射到一个高维特征空间中，并利用神经网络模型来学习点云之间的对应关系。通过最小化对应点之间的距离误差，可以实现点云的配准。DCP 在点云配准方面取得了很好的效果，并且在实际应用中具有广泛的应用前景。
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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