语义分割之RandLANet深度解读

原创 已于 2023-04-07 23:21:31 修改 · 5.7k 阅读 · 64 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #人工智能 #机器学习

于 2023-04-01 18:09:58 首次发布
RandLA-Net是一种针对大规模点云数据的高效语义分割网络，解决了现有方法中计算复杂度高、内存占用大和感受野有限的问题。通过随机采样和级联的局部特征聚合模块，它能更好地学习和保留复杂几何结构信息。网络结构包括HeuristicSampling和Learning-basedSampling两部分，其中LFA模块包含局部空间编码、注意力池化和扩张残差块，有效减少了信息损失。在SemanticKITTI数据集上的实验表明，该方法在计算效率和准确性上表现出色。

RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds

论文地址： [1911.11236] RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds (arxiv.org)

TensorFlow版地址: QingyongHu/RandLA-Net: 🔥RandLA-Net in Tensorflow (CVPR 2020, Oral & IEEE TPAMI 2021) (github.com)

Pytorch版地址:tsunghan-wu/RandLA-Net-pytorch: Pytorch Implementation of RandLA-Net (https://arxiv.org/abs/1911.11236) (github.com)

Git链接： 计算机视觉知识汇总

课程来源: 深蓝学院-环境感知


1. 背景介绍

语义分割任务是计算机视觉里的一个比较基础的任务，其相比于物体检测任务主

最低0.47元/天 解锁文章
RandLA-Net源码解读：测试 点云
FqLibrary的博客
09-29 615
总结起来，RandLA-Net的测试过程涉及加载预训练权重、加载测试数据、执行测试、处理预测结果以及输出结果。通过以上步骤，我们可以使用RandLA-Net模型对点云进行分割和语义分割，并获得相应的预测结果。接下来，我们创建了RandLA-Net的实例，并加载了预训练的权重。具体的数据加载过程在代码中没有给出，它可以根据具体的数据格式进行自定义。在测试过程中，我们将测试数据传递给RandLA-Net模型，并获取模型的预测结果。在本文中，我们将详细解读RandLA-Net的测试过程，并提供相应的源代码。
【文献笔记】CVPR 2020 | RandLA-Net
最新发布
m0_55908255的博客
10-16 48
(Tensorflow版)(Pytorch版，选择gather分支)下采样方法使用随机采样。
3D点云分割系列5：RandLA-Net：3D点云的实时语义分割，随机降采样的重生
yumaomi的博客
04-07 3990
RandLA-Net主要是在实时的3D点云分割方面做了一些贡献和改进，通过采样策略的选择、局部点的特征聚合、残差块的链接、只使用MLP进行计算提升了点云分割模型的效率，同时大大降低了显存消耗。
RandLA-Net源码解读: 数据预处理 点云
GfEmacs_Lisp的博客
09-24 530
具体而言，将球面划分成多个小区域，然后将每个小区域内的点云提取出来作为一个块，这样就将点云划分成了多个块，每个块都包含局部的点云信息。具体而言，将点云投影到一个球面上，并在球面上均匀采样，然后将采样点映射回原始点云空间，得到重采样后的点云数据。具体而言，对于每个块内的点云，首先通过球面卷积操作获取每个点的局部表面特征，然后将这些特征进行汇聚，得到块级别的特征表示。通过加载点云数据、点云重采样、点云划分和特征提取，可以将原始的点云数据转换为网络可接受的格式，并为后续的点云分割任务提供了高效的输入。
点云语义分割：RandLA-Net解读
zhaoguanhua的博客
07-07 5898
一、局部特征聚合模块 1.1、局部空间编码(Local Spatial Encoding) 作用:获取每个点的邻域特征。 方法:获取局部空间编码主要有3步，以一个点AAA为例， 第一步是找邻域点(Finding Neighbouring Points)，通过KNN算法找到该点最邻近的K个点(包括该点)；此时该点的邻域表达形式是K X (3+d)的矩阵。 第二步是相对位置编码(Relative Point Encoding)，具体实现是通过一个共享的MLP网络，形式如下： rik=MLP(pi⊕pik⊕(p
tf1.x版RandLA-Net源码解读
zhaoguanhua的博客
08-24 1378
使用RandLANet将近一个月了，打算在这里记录一下RanLANet进行语义分割的整个流程，这个系列的博客将以Sematic3D数据集为例，结果源码记录一下各个步骤具体操作过程。 tf1.x版RandLA-Net源码解读(1):数据预处理 tf1.x版RandLA-Net源码解读(2):Dataset tf1.x版RandLA-Net源码解读(3):网络结构 tf1.x版RandLA-Net源码解读(4):模型训练 tf1.x版RandLA-Net源码解读(5):测试 ...
tf1.x版RandLA-Net源码解读(1):数据预处理
zhaoguanhua的博客
08-24 4840
下采样、生成kdtree、生成投影文件
从零开始点云语义分割:RandLANet教程
zhaoguanhua的博客
09-09 8093
这是一个关于如何从零开始学习点云语义分割的教程，之所以说从零是因为我自己就是从零开始接触点云的语义分割任务的，希望这个系列的博客能对想要做点云语义分割的同学有一点点的帮助。
从头开始学习点云语义分割：RandLANet简介与实践
DkVhdl的博客
09-17 564
点云语义分割是计算机视觉领域中的重要任务之一，其旨在将点云数据中的每个点进行分类，以实现对三维环境的语义理解。RandLANet（Random Sampled PointNet）是近年来提出的一种基于深度学习的点云语义分割方法，相较于传统方法，RandLANet能够更好地处理不规则的点云数据，并获得更准确的语义分割结果。RandLANet是一种高效且准确的点云语义分割方法，能够在处理不规则的点云数据时取得良好的效果。随机采样：首先，对输入的点云数据进行随机采样，以获取局部区域的点云子集。
点云语义分割大合集-持续更新中
zhaoguanhua的博客
10-26 3926
一、PointNet 1.1、论文解读 1.2、公开数据集测试 1.3、源码解读 二、PointNet++ 2.1、论文解读 2.2、公开数据集测试 2.3、源码解读 三、KPConv 3.1、论文解读 点云语义分割:KPConv解读-更新中 3.2、公开数据集测试 S3DIS测试:点云语义分割:KPConv训练S3DIS数据集 Semantic3D测试:在tensorflow2.0环境下使用KPConv训练Semantic3D数据集 3.3、源码解读 源码阅读:KPConv之Dataset类 源码阅读:K
RandLA-Net源码解读：网络训练与点云
LpmShell的博客
09-26 465
本文对RandLA-Net的网络训练方法进行了详细解读，并给出了相应的源代码实现。通过对点云数据的预处理、网络结构的构建、损失函数与优化器的选择以及网络训练过程的介绍，读者可以更好地理解和应用RandLA-Net在点云分割和分类任务中的优势和技术原理。
RandLA-Net - 大规模点云的高效语义分割的Tensorflow实现（CVPR 2020）-python
06-18
RandLA-Net - 大规模点云的高效语义分割的Tensorflow实现（CVPR 2020） RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds (CVPR 2020) 这是 RandLA-Net (CVPR2020, Oralpresentation) 的官方实现，这是一种用于大规模 3D 点云语义分割的简单高效的神经架构。 技术细节请参考：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 胡庆勇、杨博*、谢林海、Stefano Rosa、郭玉兰、王志华、Niki Trigoni、Andrew Markham。 [Paper] [Video] [Blog] (1) Setup 此代码已在 Ubuntu 16.04 上使用 Python 3.5、Tensorflow 1.11、CUDA 9.0 和 cuDNN 7.4.1 进行测试。 克隆仓库 git clone --depth=1 http
RandLA-Net源码解析
3D的博客
03-03 6970
前言 以运行S3DIS数据集为例. 该文章不是运行指南，仅为阅读源码的笔记。 数据准备 下载数据集解压到/data/S3DIS/Stanford3dDataset_v1.2_Aligned_Version文件夹中。 Stanford3dDataset_v1.2_Aligned_Version文件夹中包含多个Area_*（区域）文件夹。 每个Area（区域）文件夹中包含多个场景文件夹。 每个场景文件夹（以Area_1\conferenceRoom_1为例）中主要包含一个场景点云文件conferenceRo
【计算机视觉】简述对RandLA-Net（大场景点云）的理解
weixin_48845174的博客
03-07 7537
之前讲述的都是基于逐点MLP和点卷积的文章，对于逐点MLP的文章来说（PointNet和PointNet++）都是采用了对称函数（maxpooling）的做法，这样做的目的是为了解决点云的无序性，但是最大的不足就是他们只提取了全局特征（global feature），丢失了很多信息，虽然PointNet++设计了set abstraction层，用于提取周围点特征，但是提取的效果不好，而且计算量比较差，对于点卷积的文章，他们利用Kernel对领域点进行聚合，然后提取特征并且进行分割和分类，这样做的好处就是解
RandLA-Net源码解读: 点云网络训练
UePostscript的博客
09-27 373
RandLA-Net是一种用于点云分割的深度学习网络模型，它结合了基于球面感受野的局部区域特征提取和全局特征建模，具有较好的性能和高效的计算速度。本文将详细解读RandLA-Net的网络训练过程，并提供相应的源代码。RandLA-Net是一种用于点云分割的深度学习网络模型，它结合了基于球面感受野的局部区域特征提取和全局特征建模，具有较好的性能和高效的计算速度。本文将详细解读RandLA-Net的网络训练过程，并提供相应的源代码。每个迭代步骤包括前向传播、计算损失、反向传播和优化器更新参数。
tf1.x版RandLA-Net源码解读(5):测试
zhaoguanhua的博客
08-30 2635
如果使用训练好的模型进行测试
TF X版本RandLA-Net源码解读：点云数据集
AuSwift的博客
09-24 134
在本文中，我将解读TF X版本RandLA-Net源码中关于点云数据集的部分。RandLA-Net是一种基于点云的神经网络模型，用于点云数据的语义分割任务。点云数据集是这个模型的输入，因此对点云数据集的处理至关重要。函数对点云数据进行预处理。在TF X版本RandLA-Net源码中，点云数据集的处理非常重要。通过数据集加载和预处理步骤，我们可以准备好用于训练或推断的点云数据。在源码中，常见的数据预处理步骤包括点云下采样、点云变换和标签编码。在源码中，数据集加载的部分负责读取和预处理点云数据集。
tf1.x版RandLA-Net源码解读(2):Dataset
zhaoguanhua的博客
08-25 3907
这一步是介绍如何获取一个batch的点云数据送入模型训练
Randlanet 代码阅读 TF2 【网络结构】
点云算法工程师
04-24 504
主要看 inference（）定义 feature dimension。
ECCV2020语义分割论文深度解析：六篇最新研究盘点
资源摘要信息:"本文将对ECCV 2020会议上发表的关于语义分割的六篇论文进行详细解析。这六篇论文在神经网络和深度学习的背景下，针对语义分割技术进行了创新性的研究和探讨。语义分割是计算机视觉领域的一个重要研究...
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

曼城周杰伦

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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