【深度学习——点云】PointConv

最新推荐文章于 2025-06-09 09:14:56 发布
最新推荐文章于 2025-06-09 09:14:56 发布
阅读量1.3k 收藏 4
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 深度学习 文章标签： 点云 cvpr pointconv
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/weixin_39837402/article/details/90269060

           这是发表于CVPR2019的关于点云分类与分割的论文，论文地址：PointConv: Deep Convolutional Networks on 3D Point Clouds

1. Motivation

在2D图像任务中，拥有平移不变性、局部连接、参数共享等优点CNNs取得了良好的效果，CNNs逐层学习并整合局部特征的特点使得其学习到的特征鲁棒性很强，但是要把卷积操作应用到3D点云上却有很多问题待解决，点的邻近区域并不像像素的邻近区域一样具有固定的网格结构，并且点云往往不是均匀采样的，文章针对这些问题提出一种离散的点云卷积来逼近连续卷积操作，利用MLP来学习权重，并且利用逆密度系数来解决不均匀采样的问题。

2. Method

2.1 PointConv

如下图所示，2D图像可以用网格结构表示，在卷积核所确定的局部区域内，点与点之间的距离是固定的，卷积核可以很方便地为每一个位置赋予一个参数来完成离散卷积运算。但是对于点云数据，其结构非常灵活，没有固定的局部区域，不同点之间的相对距离是不一样的。

首先定义3D卷积，

最低0.47元/天 解锁文章

200万优质内容无限畅学
点云从入门到精通技术详解100篇-基于深度学习的点云场景流估计
getusushu的博客
12-27 781
计等任务扩展到三维运动场景中便是场景流估计任务。点云数据感知距离的准确性是图像数据不可比拟的，因此在对距离、运动感知有需求的。虽然相对于图像邻域的深度学习技术的发展，点云数据上的深度学习方法尚未成。广、全天候工作的准确三维信息，能够对摄像头获取到的图像视觉信息进行差异化的补。传感器获取到的点云数据，可以用来做检测和分割，考虑到自动驾驶的应用场景中，实。取到具有精准位置信息的点云数据中进行整个场景运动描述的估计，这项工作相对于基。于图像的场景流估计来说，面向的信息更为准确，更容易获得精确的结果，但是同时也。
PointConv：基于3D点云的深度卷积网络
3D视觉工坊
11-20 4287
原文首发于微信公众号「3D视觉工坊」——PointConv：基于3D点云的深度卷积网络 本文出自知乎： https://zhuanlan.zhihu.com/p/69597887?utm_source=wechat_session&utm_medium=social&utm_oi=1135649954939883520 原文： PointConv: Deep Convol...
Dynamic Graph CNN for Learning on Point Clouds （Edgeconv)
weixin_43996345的博客
10-12 1068
论文链接：http://arxiv.org/abs/1801.07829 疑问：Related work里的geometric deep learning？？ spirit graph neural networks? 引言： 这篇文章主要总结了前人关于voxel和Pointnet的理论，并且提出了一种有效提取几何结构的操作层方式（Edgeconv)，并且在保留了排列不变性的基础上说明了动态更新图...
[个人笔记]3D点云深度学习入门
YuQiao0303的博客
08-15 2535
目录基本数据结构任务粒度的区分：（2D为例）常用方法和思路 基本数据结构 abcd分别是： 点云（point cloud）：(x,y,z) ， (x,y,z,d), (x,y,z,r,g,b) 体素(Voxel): 体素是3D空间的像素(pixel)。量化的，大小固定的点云。每个单元都是固定大小和离散坐标。 多边形网格(Polygon meshes)：面 二维投影 下面是一张体素的图。 任务 upsampling, reconstruction, segmentation, object detec
【点云学习笔记一】三维点云深度学习算法综述
最新发布
QIN_student的博客
06-09 1345
点云是某个坐标系下的点的数据集。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等。点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合。在获取物体表面每个采样点的空间坐标后，得到的是一个点的集合，称之为“点云”(Point Cloud)。
【深度学习初探】Day32 - 三维点云数据基础
oo00Z00oo的博客
12-14 1359
点云是某个坐标系下的点的集合。这些点包含了丰富的信息，包括三维坐标 X，Y，Z、颜色、分类值、强度值、时间等等。点云在组成特点上分为两种，一种是有序点云，一种是无序点云。有序点云：一般由深度图还原的点云，有序点云按照图方阵一行一行从左上角到右下角排列，其中还会有一些无效点。有序点云按顺序排列，很容易找到它的相邻点信息，在某些处理下还是比较便利的，但是获取有序点云难度很大，在很多情况下是无法获取的。无序点云：无序点云更为常见和普遍，它就是点的集合，点的排列之间无任何顺序，点顺序交换后也不会有任何影响。
点云学习---入门
liuxiaojiangtobeno1的博客
05-07 3821
1.点云数据格式 常见的点云格式包括： *.las：用于激光雷达点云及其他任何三维xyz元组，是一种用于交换三维点数据的公共文件格式。文件主要由4部分组成，包括公共头块（包含版本号、缩放因子、偏移值、时间、范围等），变长记录（包含变长类型数据、坐标投影信息和用户信息等），点数据记录（包括三维坐标、回波、强度、扫描角度、分类、飞行航带、飞行姿态、GPS时间、点颜色等信息），扩展的边长记录。LAS文件按每条扫描线排列方式存放数据，包括激光点的三维坐标、多次回波信息、强度信息、扫描角度、分类信息、飞行航带信息
PointConv解读
weixin_43026096的博客
12-09 2341
PointConv：Deep Convolutional Networks on 3D Point Clouds 摘要 传统的卷积是作用在二维图像数据上，图像数据通常可以表示成密集的网格形式。在CNN中，每个滤波器被限制在一个小的局部区域内，例如3×3；5×5等。在每个局部区域内，不同像素之间的相对位置总是固定的，如图（a）所示。并且我们可以容易地将滤波器离散化，成为具有局部区域内的每个位置的实值...
点云深度学习——阶段小节
xlxlqqq的博客
10-13 1205
PointNet 的核心思想是通过共享 MLP 提取点的特征，并通过最大池化聚合全局特征，保证模型对点的无序排列不敏感。分类任务依赖全局特征，分割任务结合局部与全局特征。此外，T-Net 模块用于对输入和特征进行对齐，进一步增强模型的几何不变性。PointNet 的设计简单而有效，能够直接处理原始点云数据。PointNet++ 在 PointNet 的基础上提出了一种分层结构，逐步采样并提取局部特征，从而解决了 PointNet 模型对局部几何结构的敏感性不足的问题。
CVPR 2019——PointConv: Deep Convolutional Networks on 3D Point Clouds
Dujing2019的博客
07-04 1120
PointConv: Deep Convolutional Networks on 3D Point CloudsAbstract（一）Introduction Abstract 将动态滤波器扩展到一个新的卷积运算，即PointConv。 PointConv可以应用于点云以构建深度卷积网络。将卷积核视为由权重和密度函数组成的3D点局部坐标的非线性函数。 提出了一个公式，可以有效地计算权重函数，从而能够大幅扩展网络并显着改善其性能。 学习的卷积核可用于计算3D空间中任何点集上的平移不变和置换不变卷积。 Po
pointNet++ 中conv2d的个人理解
夜晓岚的博客
06-07 551
# tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None) # 除去name参数用以指定该操作的name，与方法有关的一共五个参数： # # 第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape， # 具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数].
深度学习3D点云分割综述.zip
01-27
这篇综述主要是对当前在3D点云应用上表现优异的深度学习方法进行调查研究。我们首先探讨将深度学习直接应用到点云上所面临的挑战，简短地讨论早期通过将点云预处理为结构化数据从而克服上述挑战的方法。然后会回顾各种表现优异的深度学习方法，这些方法可以直接将点云处理为非结构化的网格数据。最后，我们会介绍一些常用的3D点云基准数据集，进一步探讨深度学习在分类，分隔，目标检测等3D视觉任务中的应用。
pointnet中的卷积操作tf.nn.conv2d
Xueting_B的博客
08-11 826
参考连接：https://blog.youkuaiyun.com/guyuezunting/article/details/106909751 计算一个4维的输入与对应的filter即卷积核的二维卷积计算 tf.nn.conv2d( input, filters, strides, padding, data_format='NHWC', dilations=None, name=None ) 在此工程中 outputs = tf.nn.conv2d(inputs, kernel,
论文学习笔记-PointConv
Custom自定义
10-14 1254
『写在前面』 提出一种应用在点云数据上的，高度近似传统2d-Conv操作的卷积运算符PointConv。并且同时给出了PointConv的反卷积版本，最终在点云分类、点云语义分割等任务上都达到了与SOTA相当的效果，ModelNet-40分类任务上同CVPR 2019的RSCNN精度更高93.6% vs 92.5%（PointConv）。 作者机构：Wenxuan Wu等，Oregon St...
【论文翻译】点云深度学习综述 -- Deep Learning for 3D Point Clouds: A Survey
csjiangxiaoqi的博客
05-19 5472
1. 介绍   随着3D采集技术的快速发展，3D传感器变得越来越可用，价格也越来越便宜，包括各种类型的3D扫描仪、激光雷达和RGB-D相机（如Kinect、RealSense和Apple depth相机）。这些传感器采集的三维数据可以提供丰富的几何、形状和尺度信息。与二维图像互补，三维数据提供了一个更好地了解机器周围环境的机会。三维数据在不同领域有着广泛的应用，包括自动驾驶、机器人、遥感、医疗和设计行业。   三维数据通常可以用不同的形式表示，包括深度图像、点云、Mesh和体素网格。点云表示作为一种常用的表
3D点云的深度学习
limingmin2020的博客
09-15 646
使用卷积神经网络（CNN）架构的深度学习（DL）现在是解决图像分类任务的标准解决方法。但是将此用于处理3D数据时，问题变得更加复杂。首先，可以使用各种结构来表示3D数据，所述结构包括： 1 体素网格 2 点云 3 多视图 4 深度图 对于多视图和深度图的情况，该问题被转换为在多个图像上使用2D CNN解决。通过简单定义3D卷积核，可以将2D CNN的扩展用于3D Voxel网格。但是，对于3D点云的情况，目前还不清楚如何应用DL工具。但是之前也已经有几种解决办法了，具体可以参看 http://ww
【读论文】PointConv: Deep Convolutional Networks on 3D Point Clouds
verse_armour的博客
01-06 162
基于卷积的网络：PointConv
pointnet++ pointnet2代码运行 保姆级教程
对象被抛出的博客
01-08 8809
文章目录前言服务器环境项目文件和数据集准备下载项目文件下载数据集方式一方式二修改项目文件解压数据集修改多显卡训练文件train_multi_gpu.py修改编译文件运行上传到服务器编译运行 前言 应导师的要求, 去下载了pointconv的代码准备跑一遍, 结果发现需要先按照pointnet++的代码去编译几个自定义的运算tf_op,而且pointconv需要用到的scannet数据高达1.3TB, 直接劝退, 改跑pointnet2(即pointnet++) 几个注意点: 我选择的是tensorflow
2021最新深度学习3D点云实战视频教程完整版
资源摘要信息:"深度学习-3D点云实战系列" 深度学习-3D点云实战系列是一套针对3D点云数据处理和分析的实战教程，适合对深度学习和3D数据处理感兴趣的学者和工程师学习和研究。该教程内容覆盖了从基础理论到实际应用...
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
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