1、 点序不同排列(无序性)结果应该一致 2、旋转后分类结果一致 二、网络结构 分类网络 分割网络 三、实验结果 分类 部件分割 场景语义解析 四、其他细节: Shared MLP 鲁棒性好 可视化 参考链接 常见的3D数据表示方式有点云、多视图、体素、mesh网格等。
分类就是得到整体特征再输出;分割就是各个点特征输出结果。 上面蓝色的部分即为分类任务,而下面黄色那块,则为分割任务。 其实这个网络它并不复杂,分类网络对于输入的点云进行输入变换(input transform)和特征变换(feature transform),随后通过最大池化将特征整合在一起。分割网络则是分类网络的延伸,其将整体和局部特征...
个点为输入,应用输入和特征变换(input and feature transformations),然后通过最大值汇聚(max pool)聚合点特征。最后输出为 类的分类分数(output scores)。 分割网络(segmentation network)是分类网络的扩展。它将全局(global feature)和局部特征连接,输入mlp并最终输出每点的分数。 图中mlp代表多层感知器,括号中的数字...
无序性:虽然输入的点云是有顺序的,但是显然这个顺序不应当影响结果。 点之间的交互:每个点不是独立的,而是与其周围的一些点共同蕴含了一些信息,因而模型应当能够抓住局部的结构和局部之间的交互。 变换不变性:比如点云整体的旋转和平移不应该影响它的分类或者分割 网络结构 网络结构 如图所示,分类网络对于输入的点云...
一、分类任务 见网络下面的那个分支。 分层抽取特征层 set abstraction layer 主要有以下三个部分组成 1.sample layer: 采样层。得到重要的中心点(使用最远点采样) 2.group layer: 分组层。找到距离中心点附近的k个最近点(使用knn),组成local points region ...
但是最终结果还是达不到论文里的90.7%。 与作者沟通也未能获得很好的回馈。 2 另一个困扰的问题,是参数量的计算。从PointNet到PointNet++,这个参数量笔者始终没搞明白,这里把计算过程放上来,希望有同学一起看看。 1、PointNet++中分类任务ssg版本的计算。
可视化分析:通过可视化分析来理解网络的输出,例如观察网络在分类任务中正确分类的点云样本,或者在分割任务中生成的语义分割结果。7. 点云重建实验:在ShapeNet数据集上进行实验,比较PointNet和其他几种网络架构的重建性能。 图3 PointNet鲁棒性测试 图3显示了4DMatch和4DLoMatch基准测试的直方图,其中重叠比例阈值设置为45...
PointNet的分类网络 PointNet的分割网络 PointNet对数据丢失是鲁棒的 解释了为什么对点的丢失非常鲁棒,因为学习到了关键点 PointNet的限制 要么是对一个点做操作,要么是对全局的点做操作,它没有局部的操作。 因为没有局部特征的学习,所以在分割精细的点上存在问题,在平移不变性上也有所缺陷。
POINTNET:利用深度学习对点云进行3D分类和语义分割 参考自,PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation 代码仓库地址为:https://github.com/charlesq34/pointnet/ 介绍 这次介绍的是一个比较基础的工作,针对空间点云,进行分类或者语义分割的框架,现在通常也被用作对RGB-D图像进行特...