PointNet++改进策略 ：模块改进 | OE Unit | PointSIFT，结合方向信息提升模型精度

已于 2024-08-30 12:07:45 修改
阅读量1k 收藏 17
点赞数 11
分类专栏： PointNet++改进策略 文章标签： 深度学习 人工智能 计算机视觉
于 2024-08-30 10:39:30 首次发布
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/u012901740/article/details/141711875
版权

Pasted image 20240830100720

  • 论文：PointSIFT: A SIFT-like Network Module for 3D Point Cloud Semantic Segmentation
  • 来源：ECCV 2020
  • 机构：清华大学 & 上海交通大学
  • 论文：http://arxiv.org/abs/1807.00652
  • 代码：
    • https://github.com/MVIG-SJTU/pointSIFT/
    • https://github.com/lelouedec/3DNetworksPytorch

Pasted image 20240830100712

  • 灵感来源：来着SIFT方法，该方法是提取2D图像中图像特征的方法，来生成类似图像中形状的描述
  • 方法实现：设计一个网络PointSIFT，能够提取物体中方向的信息同时能适应不同尺度的物体
了解本专栏 订阅专栏 解锁全文 超级会员免费看
Pointnet++改进：更换不同的激活函数，打造更优性能
AIcurator的博客
01-02 1393
在models/pointnet2_utils.py中加入以下代码，该代码将PointNetSetAbstraction中的mlp三层感知机重新封装成一个class Conv模块，便于直接在Conv模块中修改激活函数，修改后的代码和源码结构是一致的。修改不同的激活函数直接在Conv类中修改即可。在不同的模型中修改调用即可，如在models/pointnet2_sem_seg.py文件中修改，训练即可。
PointNet++改进策略 ：模块改进 | x-Conv | PointCNN， 结合局部结构与全局排列提升模型性能
u012901740的博客
09-10 1949
这篇论文介绍了一种名为PointCNN的方法，旨在从点云（point cloud）数据中学习特征。传统卷积神经网络（CNN）在处理规则网格数据（如图像）时非常有效，但由于点云是无序且不规则的，直接在其上应用卷积操作会导致形状信息丢失，并对点的排列顺序敏感。为了解决这一问题，论文提出了一种X-Conv操作。该方法通过学习一种来重新排列点云中的点并加权输入特征。然后，将典型的卷积操作应用于转换后的特征。这种方法将传统的 CNN 扩展到点云特征学习，并命名为PointCNN。
3D点云分割系列4：PointSIFT：SIFT算法在点云处理中的应用，从PointNet++的球查询扩展到8向查询
yumaomi的博客
04-04 2185
PointSIFT: A SIFT-like Network Module for 3D Point Cloud Semantic Segmentation》2018年发布在arXiv上。
PointNet++改进1：双域混合结构用于多尺度感受
最新发布
m0_63654706的博客
04-09 284
##论文地址：https://zhuanlan.zhihu.com/p/720777160resl = xif i == 0:else:if i!
Pointnet++的改进
qq_27353621的博客
07-04 2862
Pointnet++改进
PointNet++改进策略 ：模块改进 | OA-CNNs | ， 全自适应3D稀疏卷积神经网络（OA-CNNs），超越基于Transformer的模型，同时显著降低计算和内存成本
u012901740的博客
10-01 1626
这篇论文主要研究了3D语义分割领域中的一种新型稀疏卷积神经网络（CNN），称为全自适应3D稀疏CNN（Omni-Adaptive 3D Sparse CNNs，简称OA-CNNs）。研究的重点是提升传统稀疏CNN的性能，使其在精确度和计算效率上都能与基于Transformer的网络模型相媲美或超越。研究中指出，现有的稀疏CNN在3D语义分割任务上通常不如基于Transformer的模型，原因在于其缺乏足够的自适应性。
PointNet++改进策略 ：模块改进 | PVConv | PVCNN，点云和体素特征的融合大幅提升模型效率不影响精度下
u012901740的博客
08-29 1101
体素化 (Voxelization)首先，将点云数据映射到低分辨率的体素网格中。具体来说，点云的坐标先被标准化，然后按照设定的体素分辨率将点的特征聚合到对应的体素网格中。体素卷积 (Voxel Convolution)在体素网格上应用3D卷积操作。由于体素网格是规则的，3D卷积能够有效地聚合邻域内的特征，从而提取出局部的空间特征。体素到点的映射 (Devoxelization)将体素卷积后的特征映射回点云数据中。这一步通常使用三线性插值法，将体素网格的特征分配给其包含的点。
PointNet++改进策略目录
u012901740的博客
09-17 1340
后续我将如何使用文章中创新点加入的PointNet++中代码实现部分进行更新。
点云从入门到精通技术详解100篇-基于 CBCT 与口内扫描数据的牙齿点云配准（续）
getusushu的博客
09-16 651
将融合特征输入到六层全连接神经网络中，预测源点云相对目标点云的位姿变化。算法替换为全连接神经网络，加快网络训练速度，提升网络。忽视了点与点之间的联系，降低了网络的特征提取能力。鲁棒性，PCRNet 结构如图 3-5 所示。将预测位姿变换矩阵作用于源点云，实现配准。池化提取全局特征，造成一定的信息损失。应用到点云配准中，将医学图像配准。该网络较传统配准方法速度更快，中的一维卷积只对每个点进行表征，但在配准精度上存在以下问题：（了单一可训练的递归神经网络。的配准结果，配准速度较快。泛化性更强，但对噪声敏感。
Pointnet++改进：在特征提取模块加入SegNext_Attention注意力机制，卷积注意力打造高性能点云分割模型
AIcurator的博客
01-04 1935
我们提出了SegNeXt，一个用于语义分割的简单卷积网络架构。近年来，基于变换的语义分割模型由于其在空间信息编码中的自注意性而在语义分割领域占据主导地位。在本文中，我们证明了卷积注意是一种比自注意机制更有效的编码上下文信息的方法。通过重新研究成功的分割模型所具有的特征，我们发现了导致分割模型性能提高的几个关键因素。这促使我们设计一种新颖的卷积注意力网络，使用廉价的卷积运算。
PointNeXt: 通过改进的训练以及模型缩放策略重新探究PointNet++
热门推荐
TechBeat人工智能社区博客
07-06 1万+
PointNet++ 是点云理解领域最有影响力的神经网络模型之一。虽然PointNet++ 在性能上已被一些最新的方法如PointMLP和Point Transformer超越，但是我们发现这些方法的性能提升很大程度上源自于更好的训练策略（数据增强和优化方法），以及更大的模型而不是模型架构的创新。...
Python-PointSIFT一种类似SIFT的网络模块用于3D点云语义分割
08-11
a module for 3D semantic segmentation in point clouds
Pointnet++改进即插即用系列：全网首发FastKAN|即插即用，提升特征提取模块性能
AIcurator的博客
06-20 834
这篇简短的论文是一个快速的概念证明，用于Kolmogorov-Arnold网络(KANs)的3阶b样条可以很好地近似高斯径向基函数。这样做会导致FastKAN，这是一个更快的KAN实现，也是一个径向基函数(RBF)网络。
「论文阅读」SSA+PointNet++：该网络基于PointNet++改进
小麋鹿跑了的博客
02-13 6011
语义分割网络部分 主要由下采样，上采样和全连接部分组成；每个下采样部分都包含数据采样层、局部空间注意力层和注意力池化层；上采样层采用插值的方式进行原点映射。 分类网络部分 作者引入注意力机制来增强网络模型从稀疏采样点邻域中获得该邻域显著性结构（特征）的学习能力。 空间注意力机制： 采样点中心自注意力机制： 对采样点中心点（关键点）与他的每个邻居点的空间位置的编码向量做了注意力得分的计算； 每个邻域点与中心点的相对空间位置编码方式如下（借鉴了RandLA-Net）： MLP后.
Pointsift
u010451780的专栏
08-20 364
文章目录 摘要 介绍 PointSIFT基本结构 PointSIFT模型 overview 方向编码卷积 讨论 多尺度意识 讨论 整体架构 结论 最近看了PointSIFT这篇文章，写一下笔记，有些地方还不是很明白，会回来补充。另外按照作者提供的方法，在服务器上用了10天才完成了整个网络的训练，感觉时间还是很长的。 题目：PointSIFT: A SIFT-like Network Module for 3D Point Cloud.
PointSIFT: A SIFT-like Network Module for 3D Point Cloud Semantic Segmentation
没有B树的博客
11-03 2973
近年来，3D语义理解研究为直接从点云中提取特征提供了新的思路1,2，这就需要对点云进行有效的形状模式描述。受出色的2D形状特征描述子SIFT的启发3，我们设计了一个名为PointSIFT的模块，该模块对不同方向的信息进行编码，并适应形状的比例。具体而言，设计了一个方向编码单元来描述八个关键方向，并通过堆叠多个方向编码单元来实现多尺度表示。PointSIFT模块可以集成到各种基于PointNet的体系结构中，以提高表示能力。大量实验表明，我们基于PointSIFT的框架在标准基准数据集上优于最先进的方法。
【文献翻译】PointSIFT: 用于3D点云语义分割的 SIFT-like 网络模块
大秦帝国
11-18 353
摘要 近年来，三维理解研究为直接从点云中提取特征提供了新的思路[22,24]，这需要对点云进行有效的形状模式描述。受二维形状描述符SIFT[15]的启发，我们设计了一个名为PointSIFT的模块，它编码不同方向的信息，并适应形状的比例。具体来说，设计了一个方向编码单元来描述八个关键方向，并通过多个方向编码单元的叠加实现多尺度表示。PointSIFT模块可以集成到各种基于pointnet的体系结构中，以提高表示能力。大量实验表明，我们的基于PointSIFT的框架在标准基准数据集上的表现优于最先进的方法。代
PointSIFT: A SIFT-like Network Module for 3D Point Cloud Semantic Segmentation学习笔记
路&客的博客
12-03 837
SIFT： 尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe在1999年所发表，2004年完善总结。
论文笔记：PointSIFT
hongbin_xu的博客
10-16 1万+
原文：PointSIFT: A SIFT-like Network Module for 3D Point Cloud Semantic Segmentation PointSIFT 1、四个问题 要解决什么问题？ 3D点云感知通常包含了三大任务：3D物体分类，3D目标检测，以及3D语义分割。 在三个大任务中，3D点云的语义分割相对更具挑战性，也是这篇论文所要解决的问题。 用了什么办法解决...
评论 2
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