PointNet论文阅读

最新推荐文章于 2025-05-07 16:45:52 发布
最新推荐文章于 2025-05-07 16:45:52 发布
阅读量1k 收藏 4
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 点云处理
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/jackzhang11/article/details/106819823

论文链接：http://openaccess.thecvf.com/content_cvpr_2017/papers/Qi_PointNet_Deep_Learning_CVPR_2017_paper.pdf

代码地址：https://github.com/fxia22/pointnet.pytorch

PointNet首次将点云数据直接拿来做端到端的训练。而在此之前，「体素化（Voxelization）+3d卷积」和「将点云投影到二维平面」是处理三维数据的常见方法。但3d数据最初始的形态就是点云，因此体素化和投影会造成一些问题，且3d卷积的代价较大；而且映射到2d会损失一些3d信息。

点云数据最大的一个问题就是无序性，有三种方法处理这个问题：（1）对无序数据进行排序；（2）将其看成一种序列，用RNN处理；（3）采用一种简单的对称函数，消除无序数据的影响，如max，sum，乘法等等。

作者采用了max pooling这一对称函数（Symmetric function），来解决点云数据的无序性特征。也就是说，无论输入数据的序列是否相同，经对称函数变换得到的结果都是一致的。
在这里插入图片描述
下面分析一下这个max pooling是怎么作用的，先贴一个PointNet模型结构图：
在这里插入图片描述
上图中上半部分的蓝色区域是分类模型。输入是batch张点云图，每个点云图包括n个点数据，每个点数据包括三个维度（x,y,z）坐标。因此输入的维度为[batch, n, 3]。随后我们需要得到每一个点的特征向量，为了方便1dConv（代码中是1dConv，图中是mlp，不过问题不大，都是在做特征提取），调换第二和第三个维度（先不考虑T-Net的affine变换），此时数据

最低0.47元/天 解锁文章

200万优质内容无限畅学
【论文阅读】PointNet++论文解读以及代码分析（超全）
毛毛的博客
01-19 5683
系列文章目录 第一章 PointNet论文解读以及代码分析 第二章 PointNet++论文解读以及代码分析 文章目录系列文章目录前言1. PointNet的不足与PointNet++的解决方法1.1 PointNet存在的问题1.2 PointNet++采用的解决方法2. PointNet++网络结构详解2.1 改进特征提取方法2.2 对于非均匀点云的处理方法3. PointNet++代码分析总结 前言 上一篇文章主要介绍了点云处理的经典之作PointNet的整体思想和框架，本篇文章将介绍其团队基于
PointNet论文阅读笔记
m0_55908255的博客
11-16 1028
PointNet是第一篇使用深度学习处理点云数据的工作，专门处理3D点云数据，用于分类和分割任务。它通过使用对称函数（最大池化）捕捉无序点集的全局信息，并通过变换网络T-Net实现旋转不变性。网络结构包括变换网络、特征提取网络和全连接层，能够在不依赖预处理特征的情况下，直接对点云进行端到端的处理。
【论文阅读】—— PointNet
dotJunz的博客
11-10 942
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation点云是一种重要的几何数据结构类型。由于其不规则的格式，大多数研究人员将此类数据转化为常规的三维体素网格或图像集合。然而，这使数据变得不必要的庞大，并导致了一些问题。在本文中，我们设计了一种新型的神经网络，它直接消耗点云，很好地考虑了输入中点的排列不变性。我们的网络被命名为PointNet，为从物体分类、部件分割到场景语义解析等应用提供了一个统一的架构。虽然简
【3D视觉】PointNet论文阅读
最新发布
Sugar_pp的博客
05-07 1131
点云是一种重要的几何数据结构。由于其格式不规则，大多数研究人员会将此类数据转换为规则的三维体素网格或图像集合。然而，这会导致数据量过大并引发问题。本文设计了一种新型神经网络，它直接处理点云数据，并很好地保留了输入点的置换不变性。PointNet 网络为对象分类、部件分割和场景语义解析等应用提供了统一的架构。PointNet 虽然简单，但却高效且有效。经验表明，它的性能与当前最佳技术相当甚至更好。从理论上讲，我们分析了该网络学到了什么，以及为什么它能够抵御输入扰动和损坏。
PointNet＜论文＞
cocapop的博客
04-07 2319
由图可以看出，由于点云的旋转非常的简单，只需要对一个N × D 的点云矩阵乘以一个D × D的旋转矩阵即可，因此对输入点云学习一个3 × 3的矩阵，即可将其矫正；但是这样的网络有一个问题，就是每个点损失的特征太多了，输出的全局特征仅仅继承了三个坐标轴上最大的那个特征，因此我们不妨先将点云上的每一个点映射到一个高维的空间（例如1024维），目的是使得再次做MAX操作，损失的信息不会那么多。这时对于每一个点，都有一个1024维的向量表征，而这样的向量表征对于一个3维的点云明显是冗余的，因此这个时候引入。
PointNet 论文阅读笔记
weixin_40671425的博客
06-09 993
摘要 点云是几何数据结构的一种重要类型。 由于格式不规则，大多数研究人员将此类数据转换为规则的3D voxel网格或图像集合。 但是，这使数据变得不必要地庞大，并导致了问题。 在本文中，我们设计了一种直接消耗(consume)点云的新型神经网络，该网络很好地考虑了输入中点的排列不变性。 我们的网络名为PointNet，为从目标分类，分割，到场景语义解析的应用程序提供了统一的体系结构。 虽然很简单，但PointNet高效且高效。 从经验上讲，它表现出同等甚至优于现有技术的强大性能。 从理论上讲，我...
PointNet系列文献小结
hehehetanchaow的博客
01-07 2806
参考文章：https://zhuanlan.zhihu.com/p/44809266 此系列论文首先提出了一种新型的处理点云数据的深度学习模型-PointNet，并验证了它能够用于点云数据的多种认知任务，如分类、语义分割和目标识别。不同于图像数据在计算机中的表示通常编码了像素点之间的空间关系，点云数据由无序的数据点构成一个集合来表示。因此，在使用图像识别任务的深度学习模型处理点云数据之前，需要对...
F-PointNet 论文阅读理解
白菜的博客
02-27 7361
总述 本文提出一种方法： 使用成熟的2D的目标检测方法中cnn提供的region proposal和3D的目标检测定位（也就是pointnet处理点云），将二者结合利用RGB-D映射和一个叫做锥体（Frustum）?形成一个3D的box参数进行输出。 本文主要贡献就是在“一个叫做锥（Frustum）”的使用上结合2D的region propos和点云进行3D的分割和box的输出。 为方便理...
PointNet & PointNet++ 论文解析+算法理解+复现建议（3D点云 分类+分割）
热门推荐
m0_47294706的博客
01-28 3万+
PointNet、PointNet++论文解读、逐层网络结构理解、代码复现建议
pointnet pointnet++论文笔记
m0_73811793的博客
04-18 949
平均交并比。交并比（IoU，Intersection over Union）是一个衡量两个集合之间重叠程度的指标它的计算方式是将预测区域与真实区域的交集大小除以它们的并集大小。
PointNet论文学习
Bungehurst
04-08 355
PointNet论文学习 简介 Pointnet将深度学习应用到了点云的分类和分割问题。 传统的卷积结构需要高度规律的数据格式，比如说图像栅格（image grids），3D栅格（3D Voxel），以便实现权重共享和其他的优化操作。 由于点云和mesh并不规律，传统的做法是将这些数据转换成规律的3D voxel网络或者图像集合，然后送入网络。 点云是简单而且统一的结构，它避免了mesh的不规律性...
PointNet笔记
10-19
总结PointNet的基本原理，以及实现的方法，解释论文中难以理解的部分。
Point-Net 论文阅读
Mrjdk的博客
11-18 248
Point-Net 是2017年的CVPR，是3D视觉方向非常经典的入门论文，开创了除体素、多视角外，新的数据处理方法——直接基于点云数据中的点。
PointNet学习笔记（一）—— 论文
ShuqiaoS的博客
10-10 8020
PointNet学习笔记 本文记录了博主在学习《PointNet: Deep Learning on Point Sets for 3D Clasification and Segmentation》过程中的总结笔记。更新于2018.10.09。 文章目录PointNet学习笔记Introduction问题描述Deep Learning on Point Sets$\mathbb R^n$下点云数...
PointNet论文及代码详细解析
toCVer的博客
06-21 3902
PointNet
【转载】细嚼慢咽读论文：PointNet论文及代码详细解析
xiaoyaolangwj的博客
07-26 2349
文章转载自知乎 论文标题：PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation 标签：有监督 | 特征学习、点云分类、语义分割 首先回答3个问题作为引子： Q1：什么是点云？ 简单来说就是一堆三维点的集合，必须包括各个点的三维坐标信息，其他信息比如各个点的法向量、颜色等均是可选。 点云的文件格式可以有很多种，包括xyz，npy，ply，obj，off等（有些是mesh不过问题不大，因为me
PointNet系列论文阅读之一：PointNet基础网络
phosphenesvision的博客
06-12 2152
PointNet 论文解读 文章：C. R. Qi, H. Su, K. Mo, and L. J. Guibas. Pointnet: Deep learning on point sets for 3d classification and segmentation. arXiv preprint arXiv:1612.00593, 2016. 作者：Charles R. Qi, Hao Su, Kaichun Mo, Leonidas J. Guibas 链接：https://arxiv.org/ab
PointNet论文分析
Faker_boy的博客
11-02 742
PointNet的文章分析，解读论文
【论文学习】PointNet++
Always_ease的博客
12-05 819
Author：Charles R. Qi Li Yi Hao Su Leonidas J. Guibas Stanford University 会议：Conference on Neural Information Processing Systems (NIPS) 2017 一、回顾PointNet 原理： 1、learn a spatial en...
pointnet论文
03-24
### 关于PointNet论文及其解读 PointNet 是一种用于处理无序点云数据的深度学习模型，它能够直接对三维点云进行操作并完成分类和分割任务。以下是有关 PointNet 的一些重要信息： #### 1. **PointNet 论文下载** PointNet 原始论文由 Charles R. Qi 等人在 2017 年发布，题目为《PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation》[^1]。该论文可以在以下平台找到： - arXiv (https://arxiv.org/) - IEEE Xplore (如果需要正式出版版本) 可以通过搜索引擎输入关键词 “PointNet paper PDF” 找到免费资源。 #### 2. **PointNet 论文解读** 对于希望快速理解 PointNet 工作原理的人群来说，可以参考以下几篇高质量的博客文章或教程： - 第一篇解读涵盖了 PointNet 的核心思想以及其实现细节，特别是如何通过对称函数实现点集不变性[^2]。 - 另外一篇文章提供了更深入的技术剖析，并附带代码示例以便读者更好地理解和实践[^3]。 下面是一个简单的 Python 实现片段展示如何构建基本的 PointNet 架构来执行分类任务: ```python import torch.nn as nn import torch class TNet(nn.Module): def __init__(self, k=3): super(TNet, self).__init__() # 定义T-net结构... def forward(self, x): pass class PointNetCls(nn.Module): def __init__(self, num_classes=16): super(PointNetCls, self).__init__() self.transform_net = TNet(k=3) # 更多层定义... def forward(self, points): transformed_points = self.transform_net(points) # 继续前向传播过程... return output_logits model = PointNetCls(num_classes=40).cuda() print(model) ``` 此代码仅为框架示意，实际应用需补充完整逻辑与参数设置。 ---
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