PointCNNarxiv.org/abs/1801.07791 一、问题解决 CNN在之前的网络中已经可以应用到升维空间,即体素上,但由于点云本身的集合无序性,CNN的卷积核是有序的局部信息提取,将卷积核应用到点云上是无法做到的,因为有序的卷积操作会影响到点云本身的无序性,同时会丢掉一定的空间信息。PointCNN文中,引用了x变化方法,使...
PointCNN对形状分析的应用 文章中说明了PointCNN对分类和图像分割问题的特征学习的有效性。我们认为PointCNN学习的特征可以在多种形状分析任务中超过手工设计的特征，例如关键点匹配，形状检索等任务。全卷积的PointCNN 在原本的CNN中运用了全卷积的思想来处理不同大小的图像，PointCNN也应该实现全卷积的方法来处理不同尺度的...
我们称这个过程为X-Conv,它是PointCNN的基本构建模块。 从前一层中选取代表点集的方法,暂时的实现是: - 对分类问题:随机下采样。 - 对语义分割问题:最远点采样。 二、 与CNN的对比图 三、X-Conv卷积操作 1.P'←P−p将点集P变换到以p点为中心的局部坐标系 2.Fδ←MLPδ(P') 逐点应用MLPδ,将P′...
PointCNN是一种针对点云数据的深度学习模型，解决了CNN在无序点云数据上应用的挑战。其核心在于引入x变化方法，确保卷积操作对点云的输入顺序不敏感，从而实现对点云特征的有效提取。解决方法与特点传统的CNN在规则域如体素上表现出色，但点云的无序性使得应用CNN遇到困难。PointCNN通过引入x变化，将CNN的...
PointCNN Hierarchical Convolution X-Conv Operator PointCNN Architectures (文章首发于CSDN专栏【深度学习点云处理】,作者@小麋鹿跑了) 山东大学的工作,将卷积的思想运用到点云。 摘要 由于点云是不规则的和无序的,传统卷积无法直接作用到点云上,为了解决这个问题,我们从点云中学习一个X变换,以达成以下两个目的:1...
卷积神经网络的成功自不必多言,但 CNN 在点云上的应用还存在诸多短板。山东大学近日公布的一项研究提出的 PointCNN 可以让 CNN 在点云数据的处理上取得更好的表现。机器之心对该研究论文进行了简单的编译介绍。 空间上的局部相关性(spatially-local correlation)是各种类型的数据都具有的一种性质,并且与数据的表示方...
卷积神经网络的成功自不必多言,但 CNN 在点云上的应用还存在诸多短板。山东大学近日公布的一项研究提出的 PointCNN 可以让 CNN 在点云数据的处理上取得更好的表现。机器之心对该研究论文进行了简单的编译介绍。 空间上的局部相关性(spatially-local correlation)是各种类型的数据都具有的一种性质,并且与数据的表示方...
PointCNN架构 普通卷积和 X-conv 的不同点有两个方面:其一,局部特征的提取方式,在图像中是一个像素区域,而在点云中是 K 近邻点;其二,是局部信息的学习方式。此外,X-conv的计算量与 K 有关,而不是2D卷积的二次增长和3D卷积的三次增长。 作者提出了几种不同的基于 X-conv 的网络架构,如图3所示,其中 N ...
PointCNN对形状分析的应用 文章中说明了PointCNN对分类和图像分割问题的特征学习的有效性。我们认为PointCNN学习的特征可以在多种形状分析任务中超过手工设计的特征,例如关键点匹配,形状检索等任务。 全卷积的PointCNN 在原本的CNN中运用了全卷积的思想来处理不同大小的图像,PointCNN也应该实现全卷积的方法来处理不同尺度的...
山东大学近日公布的一项研究提出的 PointCNN 可以让 CNN 在点云数据的处理刷新了多项深度学习任务的纪录。由于项目需要,我对PointCNN论文的核心部分做了翻译及部分解析,希望能够帮助大家更好地学习理解PointCNN。 2. 概述 如Fig1,传统的卷积作用在二维图像上。在图像中数据是结构化存储的。直接对图像应用卷积核 就能...