weixin_37592611的博客

Learning with Noisy Labels for Robust Point Cloud Segmentation自己理解，仅供参考Contributions:本文是第一篇针对点云噪音标签问题提出解决方案的文章，本文提出了一种新颖的噪音点自适应学习框架，用于解决点云分割中存在噪音标签数据的问题。针对错误的groundtruth数据，文中首先提出了基于以前的预测结果（分割结果）的逐点置信选择（即判断该店的标签是否正确），然后提取聚类的标签纠正方法，通过投票选择最佳点的标签作为纠正后的标签。P

1，为什么提出ResNet网络？在不断加深的神经网络的深度时，会出现退化的问题，即准确率会先上升然后达到饱和，再持续增加深度后其准确率下降了。这不是由于过拟合导致的，因为这不仅导致训练集上误差增大，测试集上误差也增大。原因是随着网络越来越深，训练变得越来越难，网络的优化变得越来越难。理论上，层度越深的网络其学习到语义信息越丰富，提取的特征效果会越好；但是，实际上，由于深度增加导致网络难以训练，产生网络退出问题，其效果还没有浅层网络的好。而残差网络的出现解决了这个问题。2，残差网络的创新点文章的基

Contributions:提出了用patch处理网格上面法向量的网络利用网格的连接性，使用每个face的最近邻k个索引老提高特征提取端对端的网络，输出去噪的面法向量​Overview1,Training patch preparation在网格MMM中随机选取种子face（即一个patch的中心），该面要反映网格表面特性，因此，根据该face的one-ring normal 变化尾标准。对于一个种子face，选择其领域的N-1个face构成patch,领域面的选取规则的

Point TransformerNico Engel, Vasileios Belagiannis, and Klaus DietmayerInstitute of Measurement, Control and MicrotechnologyUlm University, 89081 Ulm, GermanyContributionsPointNet Problems:​ problems arise with set pooling when the reduced feature ve

#Edge-Aware Point Set Resamplingwe propose a resampling approch to process a noisy and possibly outlierridden point set in an edge-aware manner.作者提出了一个新颖的重采样方法，将扫描获得的噪音数据转化成由可靠法向量的表面点集。该重采样算法的特性：保存尖锐边，平滑表面可以实现任何密度需求的重采样产生可靠的法向量，便于用于表面重建Overview