冯子材的博客

SynLiDAR：从合成 LiDAR 序列点云中学习语义分割特征摘要从合成数据到真实数据的迁移学习已被证明是减轻各种计算机视觉任务中数据注释约束的有效方法。然而，由于缺乏大规模高质量合成点云数据和有效的迁移学习方法，3D点云数据的发展落后于2D图像的发展。SynLiDAR是一种合成 LiDAR 点云数据集，其中包含具有准确几何形状和全面语义类别的大规模逐点注释点云。而PCTNet是一种旨在缩小与真实世界点云数据的差距的点云转换网络。对于 SynLiDAR，利用图形工具和专业人员构建多个具有丰富场景类型和

摘要3D点云是一种相对较新的研究对象，并且近年来变得越来越普遍。新型廉价激光雷达的发展以及对立体和单眼深度估计的改进促进了该领域的研究。但是点云数据很难获得并且很难标记。例如，用于分类任务的标准基准ModelNet40仅包含40个类别的12311个模型。而在ImageNet中，有20000个类别和1400万张图像。因此，数据增强对于点云非常方便且至关重要。作者提出了PointAugment，这是...

Deep Learning for 3D Point Clouds: A Survey为国防科技大学发布的综述文章，这里只翻译第二章。下载链接：https://arxiv.org/abs/1912.12033；仓库链接：https://github.com/QingyongHu/SoTA-Point-Cloud2 3D形状分类这些方法通常首先学习每个点的嵌入，然后使用聚合方法从整个点云中提...

PointNet直接使用点云数据作为输入，解决了点云的无序性问题，点之间的相关性问题，刚体运动的不变性问题。他们证明了在数据量很大的情况下，提取一系列点的全局特征，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。其中，使用mlp完成单点的特征提取，使用对称函数，即对顺序不敏感的函数，完成点云中共有特征的抽取，PointNet的使用的对称函数为max pooling。设输入特征为ND，使用...