《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》剖析笔记

最新推荐文章于 2024-03-24 22:37:18 发布
最新推荐文章于 2024-03-24 22:37:18 发布
阅读量1.5k 收藏 9
点赞数 3
CC 4.0 BY-SA版权
分类专栏： AI 论文 文章标签： 点云 深度学习 pointnet++
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/qq_34361099/article/details/90318448
PointNet++通过递归的PointNet应用和分层的特征学习，解决了PointNet无法捕捉局部结构的问题。文章介绍了PointNet++的模型流程，包括采样层、分组层和PointNet层，以及如何处理点集采样密度不一致的情况。通过多尺度特征学习，PointNet++在3D点云的分类和分割任务上表现出优越的性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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

在这里插入图片描述
以前很少有人研究深度学习在点集中的应用。PointNet是这方面的先驱。然而，PointNet并不能捕捉到由度量（metric）空间点所产生的局部结构，从而限制了它识别分类精密模型（fine-grained patterns）和对复杂场景的通用性。在PointNet++中，我们引入了一个递归地将PointNet应用于输入点集的嵌套分区的层次神经网络。通过度量空间距离，我们的网络能够在增长的上下文尺度中学习局部特征。进一步观察到，点集采样通常是不同密度的，这导致训练在均匀密度下的网络性能大大降低，我们提出了新的集学习层，自适应地结合来自多个尺度的特征。实验表明，我们的PointNet++网络能够高效、鲁棒地学习深度点集特性。特别是，在具有挑战性的3D点云基准测试中，获得了明显优于最先进水平的结果。

前言

更多论文知识点总结与论文解析请戳 Github
图网络研究交流QQ群：832405795

背景

  • FPS 最远点采样法：Farthest Point Sampling 的原理是先随机选一个点,然后选择离这个点距离
最低0.47元/天 解锁文章

200万优质内容无限畅学
【论文阅读笔记】PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
梁瑛平的博客
02-23 1808
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： ...
论文精读:PointNet++: Deep Hierarchical Feature Learning onPoint Sets in a Metric Space
qq_52053775的博客
01-03 890
另外，有一个细节，作者将采样的点的个数做了固定，比如说每个簇选取周围的16个点，那么在稀疏的地方，就有可能不足16个点，这时，将最近的点进行复制后补齐。在密集的地方，可能多于16个点，这时，只保留最近的16个点。PointNet没有考虑到点云的局部结构，因此，作者引入了一个分层的神经网络，它能够将点云划分为一个个子集，并提取局部特征，针对点云密度不均匀的问题，作者提出了多尺度策略。第二步，分组，即提取各个簇的局部特征，每个簇选取多种半径，多个样本点进行局部特征提取，最后将不同半径的局部特征进行融合。
「论文阅读」PointNet++:Deep Hierarchical Feature Learning on Point Sets in a Metric Space
小麋鹿跑了的博客
02-13 4311
「论文阅读」PointNet++:Deep Hierarchical Feature Learning on Point Sets in a Metric Space
PointNet++：Deep Hierarchical Feature Learning on Point Sets in a Metric Space
Alkaid2000的博客
10-12 2007
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。
【点云】《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》
最新发布
qq_51954707的博客
03-24 991
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。
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space论文解读
~华仔的博客
07-26 624
PointNet++ 核心问题：点云的分类/语义分割 1、网络构成 PointNet提取特征的方式是对所有点云数据提取了一个全局的特征（见上图），显然，这和目前流行的CNN逐层提取局部特征的方式不一样。受到CNN的启发，作者提出了PointNet++，它能够在不同尺度提取局部特征，通过多层网络结构得到深层特征。PointNet++由以下几个关键部分构成： 1.1采样层（sampling） 激光雷达单帧的数据点可以多达100k个，如果对每一个点都提取局部特征，计算量是非常巨大的。因此，作者.
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
chenyutingdaima的博客
05-30 2604
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space Abstract 在深度学习关于点云数据的研究中，PointNet 作了一个很好的尝试。但是，PointNet 的设计依然存在缺陷，PointNet 难以捕获度量空间中点的局部结构，这限制了它的细粒度识别和对复杂场景的泛化能力。本文中，原作者...
【论文阅读笔记】《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》
longteng_guo的博客
07-18 516
《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
(NIPS 17) PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
dloading7的博客
04-02 659
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。 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 Feat.
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space翻译
weixin_42037651的博客
09-01 1424
PointNet++：度量空间中点集的深层层次特征学习 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，PointNet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PointNet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
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space 论文笔记
Tianchao龙虾
05-13 338
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space 论文链接： https://arxiv.org/abs/1706.02413 一、 Problem Statement Pointnet 没有捕捉local structure信息。解决pointnet没有在不同分辨率下提取特征的问题。在不同层级提取局部特征的能力可以提升网络的泛化性。 二、 Direction 基于PointNet的基础上，引入了一个
PointNet++：Deep Hierarchical Feature Learning on Point Sets in a Metric Space 论文解析
761527200_leili的博客
09-22 1885
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 ...
点云网络的论文理解（四）-点云网络的优化 PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
qq_43210957的博客
07-07 1788
Abstract 逐句翻译 Few prior works study deep learning on point sets. 以前很少有关于点集的深度学习的研究。 PointNet [20] is a pioneer in this direction. PointNet[20]是这方面的先驱。 However, by design PointNet does not capture local structures induced by the metric space points live in,
（阅读笔记）PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
qq_42328228的博客
08-29 493
PointNet++一、动机和贡献二、PointNet++模型 一、动机和贡献 点云深度模型的现有工作 ①体素编码； ②将点云映射至平面投影； ③人工特征工程； ④直接消耗点云(PointNet)。 PointNet的局限性：PointNet对于场景的分割效果十分一般，由于暴力地将所有点最大池化为全局特征，没有学习到局部点与点之间的关系； 作者在PointNet++中主要借鉴了CNN的多层感受野思想，分层使用卷积核做内积，渐渐扩展后层单个特征的感受野，提取到局部特征；且提出多尺度分组的特征提取方
2020.10.20读 PointNet++： Deep Hierarchical Feature Learning on Point Sets in a Metric Space
wolfcsharp的博客
10-20 735
PointNet++： Deep Hierarchical Feature Learning on Point Sets ina Metric Space1. 背景信息2.方法2.1 回顾PointNet2.2 层级点集特征学习2.3 在非均匀点采样密度下的鲁棒特征学习2.4 点云分割中的点特征传播3. 读后感 1. 背景信息 输入数据：原始点云 PointNet++ 是PointNet的改进版本， PointNet中实现点云排序不变性是通过提取global feature完成的，显然，这对于局部信息没有
PointNet++
ylwhxht的博客
11-18 196
PointNet++ Key Knowledgeable： Set abstraction： Sampling layer： 根据曼哈顿距离进行farthest point sampling (FPS)，选取N’个中心点，输入N个点的点集，输出N’个中心点。 Grouping layer： 对每个中心点选取K个最近的点作为一个点集，输入N’个中心点，输出N’×K个点，每个点有d+C个信息（坐标信息和特征信息） PointNet layer 对一个分组的坐标信息进行变换，捕获局部区域内的点对点关系： .
PointNet++：
有所为，有所成长
07-30 3745
reference 这篇文章发表在17年的nips上，正好之后的工作可能是在3D点云分割上，因此这一篇文章还是算比较基础需要认真研读的。 摘要 以前很少有在点云的deep learning方面的研究，PointNet是这方面的先驱。然而，pointnet并不能捕获由点所在的度量空间所决定的局部结构，这会限制模型的细腻度识别能力以及对于复杂场景的泛化能力。在此次工作上，我们引入了一个分层的神经网络，...
pointnet++: deep hierarchical feature learning on point sets in a metric space
06-06
PointNet++是一种在度量空间中对点集进行深度分层特征学习的方法。它通过使用一系列的局部区域和全局特征来对点云进行建模，并且可以处理不同数量和分布的点。PointNet++的主要优点是它可以对点云进行端到端的学习，而不需要进行手工特征提取。它在许多点云相关的任务中取得了很好的效果，例如点云分类、语义分割和目标检测等。
评论 1
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