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)获得点输入特征的权重;2)将点排列成一个潜在的正规顺序(实现了点云的置换不变形?)。之后就可以对点云X变换之后的特征进行经典的卷积运算。本文主要是对经典的CNN卷积进行推广,以从...
PointCNN是CNN从点云中表示的数据中利用空间-局部相关性的一种推广。PointCNN的核心是X-Conv算子,它对输入点和特征进行加权和置换,然后再进行典型的卷积处理。虽然X-Conv在实践中被证明是有效的,但是对于它的严格理解,特别是当它被组合成一个深层神经网络时,仍然是一个有待于未来研究的问题。 微信编辑:肖斯凯 责任...
6、执行Convolution,得到p的特征。 算法也可以用如下公式来表达: 整个实现过程是先输入数据,先采样,再进行X-cov,并且在X-cov的过程中,不仅实现了对本身特征的提取,也通过对dim,空间信息的处理,其中X是从空间信息中提取出来的,经过X的相乘之后实现了数据的规则化。
PointCNN: Convolution On X -Transformed Points 论文链接 来源:• Neural Information Processing Systems (2018)作者:Yangyan Li、Rui Bu、Mingchao Sun、Wei Wu、Xinhan Di、Baoquan Chen。(Shandong Uni…
输入数据经过XX相乘之后,在执行Convolution的操作,比如图1中的iii,他的feature的顺序是abcd,经过和转置矩阵xx相乘之后,得到了某一种顺序能和图iv的这种排列顺序相等。此时我们就做到了上述的第二点,消除掉输入顺序对识别结果的不良影响。这样消除会不会同样消除掉空间信息呢?这样消除会不会同样消除掉空间信息呢?感觉...
PointCNN的创新在于其$\mathcal{X}$-Conv，它学习一个$K \times K$的特征重排矩阵，对点云中的任意输入顺序进行处理。对于下采样后的数据，分类任务采用随机采样，分割任务采用FPS策略。$\mathcal{X}$-Conv的输入包括代表点、最近邻点集、卷积核和特征，其操作流程包括一系列步骤，最终用公式表示。...
PointCNN架构设计中，关键在于基于规则网格的传统cnn与PointCNN中X-conv层的区别。PointCNN的X-conv层通过学习局部区域信息的方式，与传统卷积形成对比。在分类和分割任务中，PointCNN采用不同的架构设计，以适应不同类型的任务需求。分类任务使用密度更高的PointCNN架构，而分割任务则通过在Conv-DeConv层间构建...
标题:PointCNN: Convolution On X -Transformed Points 作者:Yangyan Li, Rui Bu, et al. 来源:NeurIPS 2018 编译:黄文超 审核:刘小亮 欢迎个人转发朋友圈;其他机构或自媒体如需转载,后台留言申请授权 摘要 大家好,今天为大家带来的文章是——PointCNN:在X变换后的点云上进行卷积。
【点云】PointCNN: Convolution On X-Transformed Points ,直接对点的特征进行卷积,会导致形状信息和点排列多样性的损失。我们提出通过在输入点云中学习X-转换,以此改善两个问题:(1)输入点特征的权重(2)将点排列为潜在、规范的顺序。我们将典型卷积操作符的乘与...分层卷积这是一个迭代过程,每次迭代,相比于输入...
Di, and B. Chen, "PointCNN: Convolution On X-Transformed Points," in NIPS, 2018, pp. 828-838.Yangyan Li, Rui Bu, Mingchao Sun, Wei Wu, Xinhan Di, and Baoquan Chen. Pointcnn: Convolution on x-transformed points. In Advances in Neural Information Processing Sys- tems (NIPS), pages ...