PointNet论文阅读

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

### 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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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