CODE:https://github.com/DylanWusee/pointconv 一、大体内容 PointConv是一种在非均匀采样下对3D点云进行卷积的运算,可以用来构建深度卷积网络,其将卷积核视为由权重函数和密度函数组成的三维点的局部坐标的非线性函数。对于给定的点,使用多层感知器网络和密度函数通过核密度估计来学习权重函数。为了更有效地计算权函...
对于分割任务,我们需要逐点预测,为了获得所有输入点的特征,需要一种将特征从子采样点云传播到原始的点云上。pointNet++中采用的是基于距离的插值,但没有充分利用反卷积操作的优势(从粗糙级别捕获传播信息的局部相关性),论文中提出pointDeconv(由插值和pointConv组成)来解决此问题。首先,采用插值法传播来自上一层的粗略...
通过反卷积操作,PointConv能够将低层次的特征信息融合到高层次的特征中,从而提高分割的精度。 在实际应用中,PointConv展示了其在处理点云数据时的有效性。例如,在三维物体识别和分割任务中,PointConv能够显著提高模型的性能。此外,PointConv还可以应用于其他领域,如无人驾驶、机器人导航等,为这些领域的发展提供了新的视角...
为了证明我们提出的PointConv确实是一个真正的卷积运算,我们还通过将2D图像中的所有像素转换为:具有2D坐标以及RGB特征的点云来评估CIFAR-10上的PointConv性能。在CIFAR-10上的实验表明,我们的PointConv的分类精度与具有类似结构的图像CNN相当,远远超过了点云网络先前获得的最佳结果。作为对3D数据的近似CNN方法,我们相信Poin...
我们称这种操作为 PointConv。PointConv 能够在 3D 点云上构建多层深度卷积网络,其功能与 2D CNN 在栅格图像上的功能类似。但该结构可实现与 2D 卷积网络相同的平移不变性,以及点云中对点顺序的置换不变性。在实验中,PointConv 可以在分类问题上的效果达到当前最佳水平,同时,在 3D 点云的语义分割上能够给出远超...
PointConv: Deep Convolutional Networks on 3D Point Clouds Wenxuan Wu, Zhongang Qi, Li Fuxin CORIS Institute, Oregon State Universitywuwen, qiz,lif@oregonstate.edu 摘要 图像数据通常可以表示成密集的网格形式,而三维的点云数据通常是不规则的无序的。因此,在点云数据上使用卷积是困难的。本文将动态滤波器...
代码:https://github.com/DylanWusee/pointconv 摘要 PointConv是将动态滤波器扩展到点云上的一个新的卷积运算。可以应用于点云以构建深度卷积网络。 卷积核被视为由权重函数和密度函数组成的三维局部坐标的非线性函数。权重函数通过MLP学习得到。 提出了一个公式,改写权重函数的表达形式,可以有效地计算权重函数,从而...
将PointConv扩展到反卷积—PointDeconv,获得更好的分割结果,而大多数先进算法不能实现反卷积操作。 算法框架 1. 3D点云的卷积 图1 图像中的局部区域和点云之间的差异 3D点云数据的表达方式与图形完全不同,如图一所示。3D点之间没有前后顺序之分,因此,在3D点云上的卷积操作应该具有排列不变性。由此提出了一种称...
提出密度重加权卷积操作 PointConv,它能够完全近似任意一组 3D 点集上的 3D 连续卷积。 通过改变求和顺序,提出了 PointConv 的高效实现。 将PointConv 扩展到反卷积(PointDeconv),以获得更好的分割结果。 二、PointConv 两个连续函数 f(x) 和 g(x) 关于一个 d 维向量 x 的卷积操作可以用下式表示: ...
提出密度重加权卷积操作 PointConv,它能够完全近似任意一组 3D 点集上的 3D 连续卷积。 通过改变求和顺序,提出了 PointConv 的高效实现。 将PointConv 扩展到反卷积(PointDeconv),以获得更好的分割结果。 二、PointConv 两个连续函数 f(x) 和 g(x) 关于一个 d 维向量 x 的卷积操作可以用下式表示: ...