【论文阅读】【点云处理】pointnet++的改进

最新推荐文章于 2025-04-09 17:07:45 发布
原创 最新推荐文章于 2025-04-09 17:07:45 发布 · 7k 阅读 · 69 ·
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。

本文介绍了PATs（Point Attention Transformers）在点云处理中的应用，通过改进PointNet++的FPS部分，利用GSA（Group Shuffle Attention）和GSS（Gumbel Subset Sampling）提高点选择的准确性。GSA借助自注意力机制增强点特征，而GSS用Gumbel Softmax替代FPS进行下采样。实验表明，这些改进在ModelNet40数据集上取得了显著效果。

文章目录

PATs: Point Attention Transformers

论文：Modeling Point Clouds with Self-Attention and Gumbel Subset Sampling

2019CVPR，上海交大MoE实验室和华为诺亚方舟实验室

本文主要改进了PointNet++中的FPS的部分，使得选取的点更能处理外点，将down sampling的点选取在attention score大的点上。很形象的对比如下图：
在这里插入图片描述
接下来就介绍一下本文提出的两个模块。

GSA：Group Shuffle Attention

这一块内容主要就是自注意力机制，注意力机制的详细内容可以参考另一篇博客。

本文使用了Scaled Dot-Product attention（在上面的博客也提到了），具体的GSA的详见论文中的公式（7）（8）和（11）。

对于点x，对应的特征向量是y，通过y=GSA(f)的变换，得到了点的新的特征向量y。在GSA过程中，参考(7)和(8)，仍然是使用f内部的信息，与MLP其实作用是一样的，就是计算新的特征。

GSS：Gumbel Subset Sampling

主要是将Pointnet++中的FPS换成了使用

最低0.47元/天 解锁文章
PointNet++改进策略 ：模块改进 | Residual MLP | PointMLP，简化原本复杂的局部几何特征提取器，减少计算同时提高效率
u012901740的博客
09-17 1850
这篇论文题为《Rethinking Network Design and Local Geometry in Point Cloud: A Simple Residual MLP Framework》，发表于ICLR 2022。论文的主要内容是提出了一种名为PointMLP的新方法，用于处理点云数据，旨在通过简单的残差多层感知器（Residual MLP）网络替代复杂的几何特征提取器。背景与挑战：点云分析由于数据的不规则性和无序性，一直是计算机视觉中的难题。
Pointnet++改进86：202:添加GCConv模块 |
最新发布
AIcurator的博客
10-05 231
GCConv（Grouped Convolutional Convolution）是一种改进的卷积操作，通过分组卷积和深度可分离卷积的结合，提升计算效率并减少参数量。它通常用于轻量化神经网络设计，适用于移动设备和嵌入式系统。
PointNeXt：通过改进的模型训练和缩放策略审视PointNet++
qq_27353621的博客
07-04 1187
改进的pointnet++
Pointnet++的改进
qq_27353621的博客
07-04 3032
Pointnet++改进
PointNet++改进1：双域混合结构用于多尺度感受
m0_63654706的博客
04-09 463
##论文地址：https://zhuanlan.zhihu.com/p/720777160resl = xif i == 0:else:if i!
PointNet++改进策略 ：模块改进 | PAConv，位置自适应卷积提升精度
u012901740的博客
09-04 2043
PAConv，全称为位置自适应卷积（Position Adaptive Convolution），是一种用于处理3D点云数据的通用卷积操作。不同于传统的2D卷积，PAConv通过根据点在三维空间中的位置动态组合卷积核。它的实现依赖于一个称为权重库（Weight Bank）的结构，该结构存储了基本的权重矩阵。这些矩阵通过一个称为ScoreNet的网络动态组合，ScoreNet根据点的位置关系学习如何自适应地组装这些卷积核。动态卷积核组装。
精选资源
PointNet++点云处理精讲(PyTorch)
06-22
PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。作为点云处理深度学习方法的里程碑工作，启发了很多后续研究。 本课程对PyTorch版的PointNet++进行原理讲解、论文...
精选资源
PointNet++点云处理TensorFlow版
06-22
PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。PointNet++是点云处理深度学习里程碑式的工作，启发了很多后续研究。 原作的PointNet++代码使用Python2.7和...
论文速读Backbone系列一：点云Transformer结合、PointNet++改进、点云卷积核设计
Clichong
12-07 3675
如有错误，恳请指出。对一些经典论文进行快速思路整理，以下内容主要关注的是3d点云的backbone设计，包括transformer的应用，卷积核的设计，PointNet++网络的改进。1）提出Offset Atention，在原本的self-attention中的LBR(Fa)改为LBR(Fin-Fa)，同时魔改了norm方法。其中这里的Fin是原始点特征，Fa是进行self-attention变换之后的特征 2）提出Neighbor Embedding，利用attention可以捕获全局特征但是缺少局部特
【matlab】 基于PointNet++的点云地理数据识别
走向CTO的路上...
03-21 498
PointNet++ 是一种用于处理点云数据的深度学习模型，能够直接对无序的点云数据进行分类、分割和识别。它是 PointNet 的改进版本，通过分层特征学习和局部特征聚合，能够更好地捕捉点云中的局部结构和全局特征。在地理数据识别中，PointNet++ 可以用于地形分类、建筑物检测、植被分析等任务。本文介绍了基于 PointNet++ 的点云地理数据识别算法，并提供了 MATLAB 仿真代码。通过分层特征学习和局部特征聚合，PointNet++ 能够有效处理点云数据，适用于地形分类、建筑物检测等任务。
【论文阅读】基于PointNet++点云深度学习的背包激光扫描数据的树种分类
weixin_42898295的博客
06-21 1332
要调查森林资源，必须确定树种。然而，使用通过光探测和测距 （LiDAR） 收集的树木的 3D 点云来识别树种是一项挑战。PointNet++是一种点云深度学习网络，可以有效地对3D对象进行分类。在应用 PointNet++ 识别树种时，建立高质量的单个树点云数据集非常重要。但是，生成示例数据集有不同的数据处理方法，并且过程繁琐。在这项研究中，我们建议如何通过设计比较实验来选择合适的方法。我们使用背包激光扫描（BLS）系统收集了三个地区总共八种树种的点云数据。
PointNet++改进策略 ：模块改进 | x-Conv | PointCNN， 结合局部结构与全局排列提升模型性能
u012901740的博客
09-10 2117
这篇论文介绍了一种名为PointCNN的方法，旨在从点云（point cloud）数据中学习特征。传统卷积神经网络（CNN）在处理规则网格数据（如图像）时非常有效，但由于点云是无序且不规则的，直接在其上应用卷积操作会导致形状信息丢失，并对点的排列顺序敏感。为了解决这一问题，论文提出了一种X-Conv操作。该方法通过学习一种来重新排列点云中的点并加权输入特征。然后，将典型的卷积操作应用于转换后的特征。这种方法将传统的 CNN 扩展到点云特征学习，并命名为PointCNN。
Pointnet++改进：在特征提取模块加入SegNext_Attention注意力机制，卷积注意力打造高性能点云分割模型
AIcurator的博客
01-04 2159
我们提出了SegNeXt，一个用于语义分割的简单卷积网络架构。近年来，基于变换的语义分割模型由于其在空间信息编码中的自注意性而在语义分割领域占据主导地位。在本文中，我们证明了卷积注意是一种比自注意机制更有效的编码上下文信息的方法。通过重新研究成功的分割模型所具有的特征，我们发现了导致分割模型性能提高的几个关键因素。这促使我们设计一种新颖的卷积注意力网络，使用廉价的卷积运算。
PointNet++改进策略 ：模块改进 | 双边增强模块 | 自适应融合模块 | ，将多分辨率特征在点级别自适应地融合，确保模型能够充分利用不同分辨率下的特征信息
u012901740的博客
09-18 1549
这篇论文的标题是《Semantic Segmentation for Real Point Cloud Scenes via Bilateral Augmentation and Adaptive Fusion》（通过双边增强和自适应融合进行真实点云场景的语义分割）。文章的核心内容是在处理大规模点云数据的语义分割任务上提出了一个新的网络架构。双边增强（Bilateral Augmentation）：为了减少点云中相邻点之间的歧义，提出了一种双边增强方法，通过几何和语义特征的结合，来扩展点的局部上下文信息。
PointNet++改进策略 ：模块改进 | PointNetXt ，利用训练测量大幅提升PointNet模型性能
u012901740的博客
09-16 1879
这篇名为《PointNeXt: Revisiting PointNet++ with Improved Training and Scaling Strategies》的论文主要讨论了对经典的3D点云网络架构PointNet++进行的改进。作者提出了新的训练策略和模型扩展方法，旨在提高PointNet++的性能。改进训练策略：通过系统地研究数据增强和优化技术，作者发现很多新网络（如PointMLP和Point Transformer）性能提升主要是由于更好的训练策略而非架构上的创新。
PointNet++改进策略 ：模块改进 | OA-CNNs | ， 全自适应3D稀疏卷积神经网络（OA-CNNs），超越基于Transformer的模型，同时显著降低计算和内存成本
u012901740的博客
10-01 1841
这篇论文主要研究了3D语义分割领域中的一种新型稀疏卷积神经网络（CNN），称为全自适应3D稀疏CNN（Omni-Adaptive 3D Sparse CNNs，简称OA-CNNs）。研究的重点是提升传统稀疏CNN的性能，使其在精确度和计算效率上都能与基于Transformer的网络模型相媲美或超越。研究中指出，现有的稀疏CNN在3D语义分割任务上通常不如基于Transformer的模型，原因在于其缺乏足够的自适应性。
PointNet++改进策略 ：模块改进 | PointCAT， 使用交叉注意力机制来提升3D点云任务中提升模型精度
u012901740的博客
09-13 2244
PointCATCross 的核心在于通过多尺度特征提取和跨注意力机制来融合不同分辨率下的几何信息。跨注意力机制能够在全局和局部特征之间建立联系，从而提升模型对复杂三维点云结构的理解能力。借鉴以上思路，可以进行如下改进来增强PointNet++ 对点云多尺度特征、全局信息以及复杂几何关系的捕捉能力，进一步提升了其在点云分类和分割任务中的表现。引入跨尺度注意力机制：利用 PointCATCross 的跨注意力模块，实现多尺度特征的相互交互和增强。引入分类 Token 和多层级特征交互。
PointNet++改进策略 ：模块改进 | Transformer| Point Transformer， 使用Transformer架构引入到3D点云任务中提升模型精度
u012901740的博客
09-12 2642
提出了Point Transformer层：基于自注意力机制，设计了适用于3D点云处理的自注意力层。由于点云本质上是嵌入到3D空间中的点集，自注意力机制在这种情况下很自然地适用。该层对点的排列顺序不敏感，适用于3D点云数据。用于多种3D理解任务：作者通过Point Transformer网络，处理语义场景分割、物体部分分割和物体分类等任务，展示了模型在不同领域的广泛适用性。实验表明，Point Transformer在多个基准数据集上取得了最新的最佳性能。实验结果。
Pointnet++改进76：添加Strip模块 | 顺序正交大条带卷积来捕获空间信息
AIcurator的博客
03-29 214
尽管遥感目标检测发展迅速，但检测高纵横比目标仍具挑战性。本文表明，大条带卷积是遥感目标检测的良好特征表示学习器，能够很好地检测各种纵横比的目标。基于大条带卷积，我们构建了一个名为 Strip R-CNN 的新网络架构，该架构简单、高效且强大。与近期利用方形大核卷积的遥感目标检测器不同，我们的 Strip R-CNN 利用骨干网络 StripNet 中的顺序正交大条带卷积来捕获空间信息。此外，我们通过解耦检测头并在我们的条带头中为定位分支配备条带卷积来提高遥感目标检测器的定位能力。
评论 8
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