【论文阅读】【点云处理】Point-Voxel CNN for Efficient 3D Deep Learning

最新推荐文章于 2025-10-13 11:05:42 发布
原创 最新推荐文章于 2025-10-13 11:05:42 发布 · 7.1k 阅读 · 60 ·
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：

#点云处理 #2019NIPS

本文介绍了Point-Voxel CNN (PVCNN)，一种结合点云和体素处理的3D深度学习方法。PVCNN旨在克服传统Voxel-based和Point-based方法的缺点，通过两个分支——点云分支和体素分支，提升速度和精度。Voxel分支利用3D卷积处理体素，Point分支则采用MLP计算点特征。实验表明PVCNN在速度和准确性上都有所提升。文章还探讨了PVCNN与PointCNN、SpiderCNN、DGCNN等方法的对比，以及与PV-RCNN的区别，提供了对点云处理方法更深入的理解。

文章目录

2019NIPS
MIT与上海交通大学，Song Han老师

我觉得本文还是比较容易理解的，但是在读的过程中，我对PVCNN产生了其他思考，可能PVCNN中实现的东西有更深层次的内涵，希望读者能够耐心看一下思考这部分，因为我的思考也不一定对，很期待大家的不同意见。 但我认为，对这篇文章的思考让我对point-based的方法和voxel-based的方法有了更深入的理解。

PVCNN

本文首先介绍了目前Voxel-based和Point-based的方法的缺点。

Voxel-based Method的缺点

Voxel-based的缺点已经是为人所熟知的，主要就是在将点云变为voxel的过程中，信息的丢失程度与resolution的大小有关。但随着resolution的增加，the computational cost and memory requirement是三次方增加的。而且本文增加了实验分析，本文给出了，相比于算术运算，内存操作所需要的时间和消耗的能量更为昂贵。下图对比了算数运算与内存访问的时间能量的消耗。
在这里插入图片描述

Point-based Method的缺点

Point-base的方法，本文详细分析了point-based的运算速度慢的原因：

  • point-based的方法的输入是无序的点云，在前向计算过程中，需要找出某些点邻域内的点，由于点云是无序的，所以不能通过其在点云中的位置进行索引，需要使用KNN方法去计算寻找，而这个计算过程则是非常慢的。
  • point-based的某些方法中，是根据点的位置使用
最低0.47元/天 解锁文章
【点云处理】Point-Voxel CNN for Efficient 3D Deep Learning
qq_35632833的博客
04-19 1255
文章目录一. 介绍Voxel-base 方法的缺点Point-base 方法的缺点二. PV-CNNVoxel-Based Feature AggregationPoint-Based Feature TransformationFeature Fusion三. 实验效果Object Part Segmentation Visualization四. 结论 论文链接：PV-CNN 代码链接：Gi...
【点云系列】Point-Voxel CNN for Efficient 3D Deep Learning
weixin_43882112的博客
05-06 2122
文章目录1. 概要2. 动机3.方法3.1 Point分支3.2 Voxel分支3.2.1 正则化 （Normalization）3.2.2 体素化（Voxelization）3.2.3 特征聚合（Feature Aggregation）3.2.4 去体素化（Devoxelization）3.3 融合4. 效果4.1 部件分割对比4.2 场景分割 比对4.3 目标检测4.4 可视化分析4.5 效率分析5. 思考6. 参考 1. 概要 会议：NIPS19 spotlight 论文：https://arxiv.
【第五章:计算机视觉-计算机视觉在自动驾驶领域的应用】1.雷达点云3D目标检测-(3)基于Point/Point-Voxel的雷达点云3D目标检测实战：：数据读取、模型搭建、训练与测试
最新发布
IT古董
10-13 724
本文介绍了基于Point/Point-Voxel混合结构的雷达点云3D目标检测实战方法。主要内容包括：使用KITTI数据集进行点云数据读取和预处理；搭建PointNet基础网络结构并引入体素化特征融合；详细说明模型训练、验证和测试流程；通过Open3D实现检测结果可视化。实验表明，Point-Voxel混合结构能显著提升检测精度，同时指出了数据增强、稀疏卷积优化等改进方向。该实战为自动驾驶领域的3D目标检测提供了完整的技术实现方案。
【点云识别】Point-Voxel CNN for Efficient 3D Deep Learning (NIPS 2019)
Orientliu96的博客
04-06 1136
Point-Voxel CNN for Efficient 3D Deep Learning 本文介绍一篇NIPS 2019里面关于点云识别的文章。 论文 代码 1. 问题 目前的点云处理框架主要分为两大类 Voxel-based Point-based PointNet的问世，极大地促进了Point-based类方法的发展。 因为voxel类方法的缺陷很难解决，内存需求太大。 64x64x64...
论文阅读 | Point-Voxel CNN for Efficient 3D Deep Learning
bettii的博客
07-21 389
目前我自己在做点云的时候大多数关注直接在点上处理的方法，忽略了一些voxel的方法。这篇文章对和的方法优缺点作了分析，并结合两者的优势中和提出了一种结合的方法。文章的idea还是比较简单好理解的，代码也不是很复杂。但文章写的很有逻辑性，甚至我觉得这篇文章对问题的总结，前面的综述，比后边的实验要阐释得更精彩。...
Point-Voxel CNN for Efficient 3D Deep Learning(PVCNN)论文翻译
solidays_的博客
09-09 3301
Point-Voxel CNN for Efficient 3D Deep Learning(PVCNN) 摘要 我们介绍了Point-Voxel CNN（PVCNN），可进行高效，快速的3D深度学习。以前的工作使用基于体素或基于点的NN模型处理3D数据。但是，这两种方法在计算上都是低效的。基于体素的模型的计算成本和内存占用量随输入分辨率的增加而立方增长，从而使其无法扩展分辨率。对于基于点的网络，最多有80％的时间被浪费在构造稀疏数据上，这些稀疏数据的内存局部性很差，而不是实际的特征提取。在本文中，我们提出
【论文阅读】[NeurIPS 2019] Point-Voxel CNN for Efficient 3D Deep Learning. [det. seg. aut.]
py今天刷题了吗
11-03 873
文章目录Abstract6 Conclusion一些重要的图和表，包含实验结果，网络结构 Abstract 我们提出了点体素CNN（PVCNN），用于高效、快速的3D深度学习。 以前的工作使用基于体素或基于点的神经网络模型处理三维数据。然而，这两种方法的计算效率都很低。基于体素的模型的计算成本和内存占用随着输入分辨率呈立方体增长，这使得内存无法放大分辨率。对于基于点的网络，高达80%的时间浪费在构造内存局部性较差的稀疏数据上，而不是在真实的特征提取上。 在本文中，我们提出了用点表示3D输入数据的PVCN
[论文阅读]PV-RCNN——基于Point-Voxel特征集抽象的3D目标检测
热门推荐
qq_53909832的博客
09-13 1万+
PV-RCNN论文阅读
ECCV2020语义分割——Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution
Dujing2019的博客
10-22 3340
Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution（一）动机 Motivation（二）创新 Innovation（三）SPVConv: Designing Effective 3D Modules3.1 Point-Voxel Convolution: Coarse Voxelization3.2 Sparse Convolution: Aggressive Downsampling3.3 Solution: S
Point-Voxel CNN：Point-Voxel Feature Set Abstraction for 3D Object Detection
weixin_41271939的博客
04-25 1130
其实PVCNN这篇论文十分好理解，采用的模型也十分简单，就是通过卷积的方法去提取局部特征，然后通过插值进行上采样，最后将上采样的特征直接concat到点云原始特征，之后就是pointnet那一套了。这篇论文最大的亮点是可以让我们更直观深入地理解基于体素的方法与基于点的方法的区别，文章中不仅指出了两种方法的局限，也给出了相应的实验与分析。
Point-Voxel CNN【阅读笔记】
weixin_43911343的博客
03-09 905
论文来源：CVPR2019 链接：https://arxiv.org/abs/1907.03739 Motivation 1.voxel-based models : 具有良好的定位性，但由于将部分点划分入一个体素网格中会丢失很多信息。提高分辨率（将网格划分精细化）可以改善这一问题，但相应计算量会几何增加，不适用。 2.pointnet-based modesl：Pointnet方法占用内存小，计...
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
qq_39791748的博客
08-03 345
PV-RCNN
【论文速览】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
冯子材的博客
06-01 1407
摘要 提出了一种新的高性能的三维目标检测框架：PointVoxel-RCNN（PV-RCNN），用于从点云中精确检测三维目标。该方法将3D体素卷积神经网络（CNN）和基于PointNet的集合抽象有机地结合起来，以学习更具鉴别能力的点云特征。它利用了3D体素CNN的高效学习和高质量提案以及基于PointNet的感受野可变的优势。具体地说，该框架通过一个新的体素集抽象模块将具有3D体素CNN的3D场景总结成一个小的关键点集，以节省后续计算，并对具有代表性的场景特征进行编码。考虑到体素CNN生成的高质量3D提案
【论文阅读】【三维目标检测】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
麒麒哈尔的博客
02-10 1万+
文章目录PV-RCNNRPNBackbone: 3D Sparse ConvolutionClassification & Regression HeadVoxel Set Abastraction Module（VSA）起因VSA ModulePKW Module（Predicted Keypoint Weighting）RCNN实验思考 本论文目前是KITTI排名第一，香港中文大学和商...
【3D目标检测】PV-RCNN:Point-Voxel Feature Set Abstraction for 3D Object Detection
毛毛的博客
05-15 937
文章目录前言摘要1.介绍2.PV-RCNN for Point Cloud Object Detection2.1 3D voxel CNN高效特征编码和proposal生成3.2 Voxel-to-keypoint Scene Encoding via Voxel Set Abstraction3.结果5. 总结 前言 1. 实验方法是什么样的？ 2. 得到了什么结果？ 文章的特征提取方式充分结合了voxel-based和point-based两种方法的优点，3D voxel卷积可以高效地编码多尺度特
解读：PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
weixin_42608406的博客
10-20 1016
文章目录1.摘要2.Introduction3.网络结构3.1用于有效特征编码和建议生成的3D Voxel CNN3.2.通过voxel set abstraction进行voxel到关键点场景编码3.3.扩展的VSA模块3.4.预测关键点权重3.5.key point-to-grid RoI特征抽象用于proposal refinement4.损失 1.摘要 提出了一种新颖的高性能3D对象检测框架，名为Point Voxel-RCNN（PV-RCNN），用于从点云中进行精确的3D对象检测。提出的方法将3
3D点云深度学习」综述论文--Deep Learning for 3D Point Clouds: A Survey
无崖子的博客
06-26 9475
三维点云深度学习研究综述 论文：Deep Learning for 3D Point Clouds: A Survey 作者：Yulan Guo 时间：2019-12 引言 动机： Point cloud learning （点云学习）由于在视觉、自动驾驶、机器人等方面的广泛应用，近年来受到了广泛的关注。最近，随着点云的深度学习变得更加兴旺，人们提出了许多方法来解决这一领域的不同问题。为了促进未来的研究，本文对点云深度学习方法的最新进展进行了全面的综述。 挑战： 深度学习技术目前已经成为成功解决各种二
PV-RCNN
xinxiang7
02-08 903
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection Abstract PointVoxel-RCNN是一个新颖的,高表现的3D目标检测框架,从点云中检测3D目标. 我们的方法整合了voxel 3D CNN和基于PointNet的集抽象来学习更多的有鉴别行的点云特征.它充分利用了高效的学习,3D体素的CNN的高质量的proposals以及基于PointNet网络的灵活的感受野.该框架通过一个新的体素集抽象模块将三维场景与三维
PV-RCNN++ | 利用Transformer让Point与Voxel更好结合
CV_Autobot的博客
09-04 1583
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【领域综述】获取自动驾驶全栈近80篇综述论文！outdoor LiDAR点云中的前景点（即物体）和背景点之间经常存在很大的不平衡。它阻碍了检测器专注于信息区域以产生准确的 3D 目标检测结果。本文通过语义Point-Voxel特征交互提出了一种新颖的目标检测网络，称为PV-RCNN++。与...
Searching efficient 3d architectures with sparse point-voxel convolution
04-28
### 使用稀疏点体素卷积的高效3D架构搜索方法 #### 方法概述 稀疏点体素卷积（Sparse Point-Voxel Convolution, SPVConv）是一种高效的3D模块，旨在解决传统稀疏卷积无法维持高分辨率表示以及点体素卷积难以扩展至大规模3D场景的问题[^1]。通过结合SPVConv与自动化神经架构搜索（Neural Architecture Search, NAS），可以构建出既轻量又高性能的3D模型。 #### 自动化神经架构搜索流程 3D-NAS 是一种专门针对3D场景理解任务设计的模型搜索框架。它利用进化算法（Evolutionary Algorithm）来自动发现最优网络结构[^2]。具体而言，整个过程如下： - **初始化种群**：从随机生成的一组候选网络开始。 - **评估与选择**：在每次迭代中，对当前种群内的所有候选网络进行性能评估，并挑选出表现最好的前\( k \)个模型作为父代个体。 - **繁殖下一代**： - 对于突变操作，从顶级候选人中随机选取一个样本，并按照预定概率修改其某些结构参数（如通道数、网络深度等）[^3]。 - 而交叉操作则是从前\( k \)名候选人里选出两份蓝图，再将其特征随机组合成一个新的设计方案。 - **资源约束验证**：确保新生后代皆符合设定好的预算条件；若有违反，则重新取样直至合格为止。 最终，在经历若干轮次演化之后，会从最后一轮剩余成员当中甄选最佳方案作为目标输出。 #### 实验环境配置 为了便于实际应用开发测试工作开展起来更加顺利便捷一些列准备工作必不可少其中包括但不限于安装必要的依赖库准备相应的硬件设施等等下面给出一段简单的Python脚本示范如何加载预训练权重完成基本预测任务: ```python import torch from spvnas.models.spvcnn import SPVCNN device = 'cuda' if torch.cuda.is_available() else 'cpu' model = SPVCNN(num_classes=20).to(device) checkpoint = torch.load('path_to_checkpoint.pth', map_location=device) model.load_state_dict(checkpoint['state_dict']) model.eval() # Example input data preparation omitted here. with torch.no_grad(): outputs = model(inputs.to(device)) ``` 此外还提供了多个公开可用的数据集支持比如SemanticKITTI可用于进一步训练或微调现有模型实例提升特定应用场景下的效果表现[^4]. ---
评论 7
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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