点云检测算法之PointNet深度解读

原创 已于 2023-04-17 15:24:45 修改 · 631 阅读 · 5 ·
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：

#算法 #深度学习 #计算机视觉

于 2023-04-15 00:09:22 首次发布
PointNet是一种深度学习模型，专门用于处理3D点云数据的分类和分割任务。它通过MaxPooling提取全局特征，并结合局部信息。文章介绍了PointNet的网络结构，包括T-Net和多层感知机（MLP），以及数据预处理技巧如随机DownSample和旋转增广。实现方面，文章提供了一个简化版的PointNet分类模型代码，并展示了训练结果。

点云检测算法之PointNet深度解读

论文链接 : PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

代码链接 : PointNet Pytorch

Github链接：有关于环境感知方面的网络介绍及代码链接


背景和亮点

背景

有关于点云的介绍可以参考3D点云基础知识， 总结的来说，点云数据的处理已经成为了3D视觉中必不可少的一部分。其数据相比于2D图像，本身有着先天不需要的特征变换的优势。

点云数据有着以下的特点:

  1. 无序性 --> 对称函数设计用于表征
  2. 点不是孤立的，需要考虑局部结构 --> 局部全局特征结合
  3. 仿射变换无关性 --> alignment network


所以，在初期对于点云数据的处理方式主要有下面三种:

  1. 直接利用3D卷积进行处理，这里的代表有 Volumetric CNNs ， VoxNet 等，但是这种做法的缺点在于(a)3D卷积运算量较大(b)点云本身数据比较稀疏，所以3D卷积浪费资源
  2. 利用多个方向的2维投影，加上2D卷积进行处理，这里的代表作有Multiview CNNs ，但是这种做法的话同样需要认为(a)设定不同的投影角度
最低0.47元/天 解锁文章
点云中的数据增强(Point cloud)
12-20
点云中的数据增强方法 本文基于相机坐标展示(kitti中的标签是相机坐标系) 一 旋转(相机坐标系沿y轴旋转) import numpy as np def rotation_points_single_angle(points, angle, axis=0): # points: [N, 3] rot_sin = np.sin(angle) rot_cos = np.cos(angle) if axis == 1: rot_mat_T = np.array( [[rot_cos, 0, -rot_sin], [0, 1
【pointnet++点云识别】基于pointnet++的点云地理数据识别的MATLAB仿真
FPGA/MATLAB学习教程/源码/项目合作开发
04-09 1381
1.软件版本 matlab2021a 2.本算法理论知识 根据http://stanford.edu/~rqi/pointnet2/中关于pointnet++的介绍可知，该算法的基本构架如下所示： 根据这个结构，我们设计pointnet++网络的学习过程，根据相关原理介绍可知，其学习过程为： 3.核心代码 这里，构造的Pointnet++网络模型MATLAB如下 function [Pointnetjj,err2] = func_pointnetjj(T,P); glob..
PointNN：一种无参数化的高效点云特征提取方法
soaring_casia的专栏
04-12 2535
本文需要一些三维点云相关基础，非常适合深蓝学院修过相关课程的同学阅读。
PointNet模型卡片制作指南：标准化模型性能与局限性说明
最新发布
gitblog_00393的博客
09-29 589
PointNet是一种直接处理点云（Point Cloud）数据的深度学习架构，专为3D形状分类和分割任务设计。该模型通过创新的对称函数设计，解决了点云数据的无序性（Permutation Invariance）问题，能够直接从点集中学习特征表示。其核心优势在于无需将点云转换为网格或体素等规则结构，保留了原始几何信息的同时大幅降低了计算复杂度。 ### 1.1 核心功能 - **3D分类**：识...
如何轻松理解对点云的深度学习算法 - PointNet的进化版 - PointNet++ 算法 （特征提取部分）？
weixin_40247876的博客
02-06 2277
CV_4 PointNet++算法的简单理解（入门级别） 一. 填坑指南  2021年年中的时候，博主曾经写过一篇介绍有关点云的深度学习 - PointNet算法的文章：链接在此。因为各种原因没有继续更新其进阶版 - PointNet++算法，2022年春节假期的最后一天把坑填上。 二. PointNet++弥补了PointNet的哪些缺点？  上回书说到PointNet有以下两大缺点： 与当前的主流网络不符，没有局部特征的融合，要不是自己一个点，要不就是整体一群点。 没有关系的概念，局部样本点之间是一
3D点云分割系列2：PointNet++:从PointNet到点云多尺度特征处理
yumaomi的博客
04-03 1982
PointNet++在PointNet的基础上更新了多尺度的特征处理操作。提出了两种set abstraction策略，能够根据不同点云密度智能地聚合多尺度特征，对点云密度的输入具有更强的鲁棒性。
基于三维点云数据的深度学习PointNet模型（一） 安装及调试
热门推荐
Rana专栏
09-05 1万+
Deep Learning on Point Sets for 3D Classification and Segmentation 一直在三维点云算法设计的领域，看到这篇文章，比较感兴趣，就想了解一下，源码如下： 点击打开链接 编译该源码按照其推荐的方式就可以调通。 Install TensorFlow. You may also need to install h5py.
点云检测算法之PointPillar深度解读
victor_manches的博客
04-01 5768
介绍损失函数前这里介绍下PP的Anchor的设计，由于PP是基于点云数据的俯视图的表示，所以这里初始化的矛框有着不同于图像的矛框的设计，不同于图像的远小近大的特点，点云数据拥有者几何不变性的特点，所以在这里我们可以直接利用不同类别的先验知识来初始化矛框，下面是车辆和行人的矛框的初始化。PS：虽然矛框是3D的，但是再与GT匹配的时候，只采用2D的信息。现在在目标检测的领域的基本上是标配，主要解决的问题就是多尺度变换的不足，高层的特征虽然包含了丰富的语义信息，但是由于低分辨率，很难准确地保存物体的位置信息。
点云检测算法之PointNe++t深度解读
victor_manches的博客
04-17 403
论文链接 : PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric SpaceGithub链接：有关于环境感知方面的网络介绍及代码链接有关于PointNet缺点，可以参考我上一篇文章ComputerVersion/PointNet.md at main · Victor94-king/ComputerVersion , 我觉得最主要的在于其利用了maxpooling 整合了全局的信息，但是没有利用邻域的信息，基于此，
3D点云深度学习框架PointNet、PointNet++详解
weixin_45761030的博客
03-13 4920
PointNet、PointNet++架构详细解读，实战演练，点云深度学习框架不再困难
如何理解基于深度学习的点云补全算法 - PF-Net (Point Fractal Network for 3D Point Cloud Completion) ?
weixin_40247876的博客
02-15 1万+
CV_6 PF-Net 算法解析 一. 引言  了解激光雷达- LiDAR 特性的同学们都知道，LiDAR有一个致命的缺陷，那就是随着被检测物体的距离越来越远，根据LiDAR获取的点云的密度将会变得越来越稀疏，我们通常把它称之为“ 近密远疏 ”特性。为了解决这一问题，换句话说就是对稀疏点云进行补足，衍生出来很多种办法，比如将图像中的二维特征点进行三维转换等等。当然，自然也跑不了深度学习这个万金油。本文就将对这些算法中，个人认为比较有效的算法：PF-Net 算法进行简单的分析。 二. PF-Net 算法的核
PointNet
DARLINGB的博客
02-21 551
PointNet
PointNet--细说特征提取
qq_45783225的博客
02-26 1510
这篇文章把点云看做是无序点的集合，而不是有序的体素或柱，基于点云已知的特征利用shared-MLP进行扩充升维，然后再进行Maxpool实现特征汇聚，这样就能获取较多维度的特征来表示整个点云，进而进行后续的工作。
3D点云认知和PointNet算法解读
xiaoyaolangwj的博客
06-15 2567
点云的特点： 无序性：只是点而已，排列顺序不影响结果。 近密远疏的特性：扫描与视角不同导致。 非结构化数据，直接CNN有点难。 要解决的任务就是如何对点云数据进行特征提取。 能不能省掉那些预处理操作而直接利用点云呢？ 当下深度学习的核心思想就是一条龙服务（End2End）。 ...
点云的无序性_基于点云 / RGBD的3D视觉检测技术
weixin_39638464的博客
11-12 531
原创声明：本文为 SIGAI 原创文章，仅供个人学习使用，未经允许，不能用于商业目的。其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》，清华大学出版社，雷明著，由SIGAI公众号作者倾力打造。书的购买链接书的勘误，优化，源代码资源本文PDF全文链接：基于点云 / RGBD的3D视觉检测技术基于点云 / RGBD的3D视觉检测技术3D视觉技术相较于2D视觉能获取更丰富更...
概念解析 | PointNet概述
NLOS的博客
08-05 310
本文重点介绍了创新性地直接对点云进行深度学习的PointNet模型,并取得了多项任务的SOTA性能。PointNet可看作是点云分析领域的算法基石,开创了直接对点集进行建模的先河,启发了后续大量基于点云的模型,值得深入理解和学习。该模块对点的输入顺序不敏感,满足点集的无序性。通过可视化和理论分析,我们可以更深入地理解这一简单高效的点云神经网络是如何工作的,并得到启发,创造出更强大的点云学习模型。:使用一个小的PointNet预测一个仿射变换矩阵,将输入点云几何对齐到同一坐标空间,以获得对刚体变换的不变性。
点云配准论文阅读4--PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation PointNet
dc爱傲雪和技术
03-21 1279
在本文中，我们探索了能够推理 3D 几何数据（例如点云或网格）的深度学习架构。典型的卷积架构需要高度规则的输入数据格式，例如图像网格或 3D 体素的数据格式，以便执行权重共享和其他内核优化。由于点云或网格不采用常规格式，因此大多数研究人员通常将此类数据转换为常规 3D 体素网格或图像集合（例如视图），然后再将其输入深度网络架构。然而，这种数据表示转换使生成的数据变得不必要地庞大，同时还引入了可能掩盖数据自然不变性的量化伪影。
基于深度学习方法的点云算法2——PointNet（点云分类分割）
zhazhaqiangdedad的博客
05-30 4219
点云是一种重要的几何数据结构。由于其不规则的格式，大多数研究人员将这些数据转换为规则的三维体素网格或图像集合。然而，这会使数据变得不必要的庞大，并导致问题。本文设计了一种新型的直接以点云为输入的神经网络，它很好地保持了输入点的置换不变性。PointNet为对象分类、分割、场景语义分析等应用程序提供了统一的体系结构。虽然PointNet结构简单，但是非常高效的。从实验上看，它的表现相当出色，甚至优于最先进（state of the art）的水平。理论上，本文提供分析，以解释网络学到了什么，以及为什么网络在输
三维点云数据特征检测
asiya的博客
06-29 8149
综述 扫描数据中存在大量冗余数据（不同角度多次拍摄），为后续曲面重建、模型编辑等带来很大不便，因此需要点云数据简化。 模型的特征区域：进行检测和提取 非特征区域：简化处理 特征 用于表达模型的正确外观 包括尖锐边、光滑边、脊或谷、尖头等 两类方法： 基于多边形网格模型的特征检测 基于点云模型的特征检测 基于多边形网格模型的特征检测 文献74 使用局部多项式拟合来估计曲率张量信息...
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

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