PointNet阅读笔记

最新推荐文章于 2024-11-16 11:58:58 发布
最新推荐文章于 2024-11-16 11:58:58 发布
阅读量2k 收藏 3
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文笔记 深度学习 三维物体识别 文章标签： 点云 三维物体识别 PointNet 深度学习
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/pikachu_777/article/details/82993179

PointNet阅读笔记

本文开创性地提出了将深度学习直接用于三维点云数据上的方法。三维点云由于其无序性，无法直接使用卷积等操作。本文提出了对称函数解决点的无序性问题，并给出了理论证明。设计了能够进行分类和分割任务的网络结构，认为提取出的特征点是三维物体的骨架结构。

问题说明

输入一个无序点集，包含n个点，每个点是其坐标表示(x,y,z)，也可以添加其他手动提取的特征。对于分类问题，输出1*k的向量，表示k个类别的得分。对于分割问题，输出n * m的得分矩阵，表示每个点（或每个子区域）的类别标签。

文章使用的主要方法可以概括如下：

《[论文解读] PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation》

f是全局特征的提取函数，h是每一个点的特征提取函数，g是文章提出的对称函数。在数据量很大的情况下，对一系列点通过f提取特征，可以与对单个点提取特征的点集，与对称函数的作用结果相近似。文章证明了这一理论。

《[论文解读] PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation》

而单个点的特征提取函数，本文选用了mlp。权值共享的mlp作用于每一个输入特征点，进行单点的特征提取操作，在最后使用max pooling进行全局特征的统一。实现中，使用

最低0.47元/天 解锁文章

200万优质内容无限畅学
PointNet 原理与架构深度解析2025.5.20
sinat_34897952的博客
05-20 1221
PointNet 是首个直接处理原始3D点云的深度学习框架，其核心设计包括通过对称函数解决点云排列无序问题、引入几何变换网络（T-Net）实现数据规范化，以及采用多层感知机（MLP）架构提取逐点特征。PointNet 通过三级特征抽象实现从低级几何到高级语义的跃迁，支持分类和分割等任务。其优势在于架构简洁、实时性能高和数据效率好，但也存在局部特征缺失、密度敏感性和计算冗余等局限。未来发展方向包括增强局部特征、多模态融合和轻量化设计，以推动3D视觉技术在自动驾驶和机器人等领域的应用。
论文阅读笔记 | 三维目标检测——PointNet++
Clichong
11-15 2276
PointNet作为直接以点云格式数据为输入的开创性网络，还存在需要改进的地方。曾经提及到，PointNet考虑到了全局性特征的方向拼接处理，但是忽视了点云局部特征的捕获。以CNN为例，通过递归性的卷积提取图像的局部特征，以实现在深层次中获得较大的感受野。那么，对于点云数据来说，也可以进行递归性提取局部特征，捕获点云的细粒度特征。为此PointNet++的主要思想就是，对点云继续局部划分然后进行局部性特征提取，随后再进行局部划分点云数据再对每个部分进行特征提取，从而实现层级性的特征提取操作。不断重复这个过程
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。
PointNet++ 笔记
泊柴的博客
06-22 552
PointNet++ 笔记 1. 引言 PointNet++ 是在 PointNet 的基础上进行改进得到的。PointNet 是对点云中每一个点都学习一个空间编码 (spartial encoding, 在 GNN 中也叫做节点嵌入)，然后将所有点的特征用最大池化聚合为一个能表示点云的全局特征。从 PointNet 的网络结构上看，它并没有考虑点云的局部特征，但是根据 CNN 网络设计的成功经验来看，点云的局部结构也是相当重要的。在 CNN 中，一个好的网络结构，往往能够学习到图像的高低不同层次的特征，在
PointNet学习笔记
weixin_43489950的博客
10-31 309
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。 ...
PointNet论文阅读笔记
m0_55908255的博客
11-16 1037
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。
PointNet++阅读笔记
qq_50199113的博客
05-14 495
PointNet并没有捕捉到点云的局部结构，而本文介绍了一种分层神经网络，用于捕捉点云的局部特征。
PointNet代码阅读笔记
ssq183的博客
06-15 1029
第一步：了解数据集和数据预处理 ModelNet数据集 改数据集是由论文[3D ShapeNets: A Deep Representation for Volumetric Shapes]提出的，按照模具的类别分： 1. ModelNet[10] 包含10个类别- 每一种类别中模具的个数不等 模具的方向已经对齐 2. ModelNet[40] 包含40个类别 分为对齐之后的和未对齐的。...
PointNet 论文阅读笔记
weixin_40671425的博客
06-09 997
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++论文笔记
lzn025的博客
03-12 496
说明： 1.此乃本人阅读论文过程中所记录的笔记，由于本人水平有限，难免会出现遗漏重点或表述不清等问题，请各位见谅。同时希望各位指出我的问题，让我发现问题所在，谢谢大家Thanks♪(･ω･)ﾉ。 2.有些用词根据原文翻译（或是直接用原文），可能语句不通畅。（毕竟我是一个六级考了五次的憨憨） 3.数据处理部分和结论分析部分没有加入，此处主要为了理清文章描述方法的处理流程。 论文题目：PointNet++: Deep Hierarchical Feature Learning on Point Sets in
PointNet：Deep Learning on Point Sets for 3D Classification and Segmentation论文笔记(一)
路&客的博客
09-26 477
quantization artifacts：量化伪影，视频压缩过程中的量化噪声导致称作“伪影” 的特定视觉误差。 变换模型是指根据待匹配图像与背景图像之间几何畸变的情况，所选择的能最佳拟合两幅图像之间变化的几何变换模型。可采用的变换模型有如下几种:刚性变换、仿射变换、透视变换和非线形变换等，如下图： 如果一幅图像中的两点间的距离经变换到另一幅图像中后仍然保持不变，则这种变换称为刚体变换(Rigid Transform)。。刚体变换仅局限于平移、旋转和反转。 如果一幅图像中的直线经过后映射到另一幅图像上仍
PointNet
longer88888的博客
06-05 2112
PointNet讲解 原理就是把低维数据用多维数据表示，然后最大值池化。MLP是多层感知机，max是最大值池化效果最好。 参考 https://web.stanford.edu/~rqi/ PointNet讲解 ...
【3D视觉】PointNet、PointNet++笔记
weixin_41286628的博客
02-01 664
目录前言一、PointNet1. 引言2. 贡献3. 相关工作4. 方法点云的特点：设计思路：网络结构：5.实验结果二、PointNet++1.引言2.方法3.实验结果 前言 最近开始接触3D视觉，记录一下自己阅读的论文，如果理解有误，望大佬们指正。以下笔记主要针对分类任务。 论文地址： PointNet PointNet++ 一、PointNet 1. 引言 动机：目前大多数研究都集中在将点云转换为3D体素或者投射为多个视图，这种操作不可避免地引入了量化误差，而且带来巨大的计算开销，因此作者提出了一种
pointnet++tensorflow2
最新发布
07-05
- **PointNet 系列论文阅读笔记**：许多博客文章详细解析了 PointNet++ 的设计思想，并提供了伪代码或框架建议。 - **TensorFlow 官方文档**：了解如何构建自定义层和模型可以显著提升模型实现的灵活性。 ---
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