W1995S的博客

https://blog.youkuaiyun.com/qq_43310834/article/details/113809360https://bbs.cvmart.net/articles/4560/vote_counthttps://zhuanlan.zhihu.com/p/337603099摘要自注意力网络彻底改变了自然语言处理，并且在图像分析任务（例如图像分类和目标检测）方面取得了令人瞩目的进步。受此启发，我们研究了自注意力网络在3D点云处理中的应用。我们为点云设计了自注意层，并使用它们构建用于语义

Dynamic Graph CNN for Learning on Point Clouds——点云动态图卷积神经网络一、简介1.1 解决的问题1.2 贡献二、网络结构2.1 EdgeConv层介绍2.2 函数的选择2.3 动态CNN2.4 实现细节一、简介该文章是最新出的一篇针对点云数据分类、分割的网路，它是受PointNet以及PointNet++的启发所进行的修改，PointNet只是独立处理每个点，同过最大池化后的全局特征来进行网络输出，但忽视了点之间的局部特征。所以这篇文章主要提出了一个E.

import numpy as npimport mayavi.mlab pointcloud = np.fromfile(str("000010.bin"), dtype=np.float32, count=-1).reshape([-1,4]) print(pointcloud.shape)x = pointcloud[:, 0] # x position of pointy = pointcloud[:, 1] # y position of pointz = pointclo

稀疏卷积的做法有两种，区别是使用GEMM算法进行卷积还是Winograd算法进行卷积。GEMM指最后使用im2col的方式进行卷积。Sparse 3D convolutional neural networks论文提出了稀疏卷积的具体做法。卷积的输入为一个矩阵M和一个哈希表H。矩阵M为输入feature map上不为空的部分的特征，大小为 a× n​， a代表不为空的位置个数，n代表特征维度C。哈希表H， key代表输入中不为空的位置的坐标，value代表这个坐标对应的特征是M中的哪一行特征。计

查看h5文件import h5pyimport numpy as np# 申明句柄f = h5py.File('modelnet40_ply_hdf5_2048/ply_data_train0.h5','r')# 输出它的主键print(f.keys()) # ['data', 'faceId', 'label', 'normal']# 要打印出data的内容的话：# print(f['data'][:])# 要打印出data的形状的话：print(f['data'][:].shap

程序代码：https://github.com/qianguih/voxelnet程序运行环境运行系统：Ubuntu18.04使用语言：Python3.56硬件支持：GTX2080Ti + CUDA10.0 + CUDNN7.6.5 + TensorFlow-gpu1.15.4

主要步骤1.在server/local(终端)运行python ./kittiviewer/backend.py main --port = xxxx。原main.py文件默认port=16666，故在second文件下打开终端，命令中xxxx改为16666即可2.再在second文件下打开另一个终端，运行cd ./kittiviewer/frontend && python -m http.server，以启动本地Web服务器。3.打开浏览器并输入你的前端URL（例如，默认是h

CVPR2018《VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection》文章目录前言一、主要思想和创新点二、整体网络框架1.Feature Learning Network2.Convolutional Middle Layers3.Region Proposal Network前言VoxelNet是苹果公司提出的一个只用点云来实现端到端的点云目标检测网络，和图像视觉中的深度学习方法一样，其不需要人为设计的目

摘要卷积处理的数据（比如图片）一般都是很dense的，但是有些数据是sparse的（比如点云数据，在纸上形成的笔画）。在这些稀疏数据上直接用dense的卷积网络是非常没有效率的。本文引入了一种稀疏卷积运算，该运算针对处理稀疏数据而定制，与之前的稀疏卷积网络的工作不同，它严格地在子流形上运行，而不是将观测扩展到网络的每一层。（总之就是一个很适合处理稀疏数据的卷积）https://zhuanlan.zhihu.com/p/97367489https://blog.youkuaiyun.com/weixin_4080

文章目录前言一、二、前言PointNet++主要是为了克服PointNet自身的一些缺点，其中最大的缺点就是缺失局部特征。从很多实验结果都可以看出，PointNet对于场景的分割效果十分一般，由于其网络直接暴力地将所有的点最大池化为了一个全局特征，因此局部点与点之间的联系并没有被网络学习到。在分类和物体的Part Segmentation中，这样的问题还可以通过中心化物体的坐标轴部分地解决，但在场景分割中，这就导致效果十分一般了。一、二、...

文章目录前言一、前人工作二、点云的问题/特征三、网络结构总结前言点云数据是3D视觉中最为常见的数据类型了，它包含了空间中点的xyz、rgb、normal、curvature等信息，然后实际上点云是一种不规则的表示形式，在研究中经常会将点云转换成3D voxel grids 或者图片的集合来表示。而在pcl中会使用特定的数据结构去保存点云如八叉树和KD树。在基于点云数据的深度学习研究中，很少有网络直接处理场景的点云数据，因此作者们在这个领域探索并设计了Pointnet网络结构直接使用原始点云数据作为输.