首先是在ModelNet40数据集上分类的准确率 cls 基本上在3D输入上达到了SOTA的性能,整体正确率为89.2%。 语义分割 seg 可以看到,比起3D全卷积的baseline,mIoU也是达到SOTA的性能
PointNet模型主要可以实现三维点云的分类和分割网络,分割网络可以使用S3DIS数据集。我们使用ModelNet40数据集实现PointNet点云分类网络。ModelNet40 数据集是一个广泛用于三维物体分类和识别的标准数据集,由普林斯顿大学创建。它包含了40个日常物体类别的三维CAD模型,总计12,311个样本,其中包括9,843个训练样本和2,468个测...
3)通过多次mlp对各点云数据进行特征提取后,再用一个T-Net对特征进行对齐。 4)在特征的各个维度上执行maxpooling操作来得到最终的全局特征。 5)对分类任务,将全局特征通过mlp来预测最后的分类分数;对分割任务,将全局特征和之前学习到的各点云的局部特征进行串联,再通过mlp得到每个数据点的分类结果。 1.2 PointNet网...
然而,由于 3D卷积的数据稀疏性和计算成本,体积表示受到其分辨率的限制。 FPNN [13]和 Vote3D [26]提出了处理稀疏性问题的特殊方法;然而,他们的操作仍然是稀疏的卷积,他们对于处理非常大的点云数据是一个挑战。多视图 CNN[23,18] 试图将 3D 点云或形状呈现为 2D 图像,然后应用 2D 转换网将其分类。 通过精心...
对比实验：与其他现有的3D点云处理方法进行对比实验，以证明PointNet的优越性能。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...
图1. PointNet 的应用,我们提出了一种新颖的深层网络体系结构,它利用原始点云(点集)而不需要体素化或渲染。它是一个统一的架构,可以学习全局和局部点特征,为大量 3D 识别任务提供简单,高效和有效的方法 我们的 PointNet 是一个统一的体系结构,它直接将点云作为输入,并为输入的每个点输出整个输入的每个分类标签或...
PointNet: 深度学习之3D点集分类与分割 做了什么 点云是不规则的,大多数研究人员将这些数据转换为规则的三维体素网格或图像集合。然而,这会使数据冗余。 该论文设计了一种新型的直接处理点云的神经网络——PointNet,它很好考虑到了点云的置换不变性。PointNet为点云分类、部件分割和语义分割等应用提供了一个统一的体...
PointNet则允许我们直接输入点云进行处理。 输入输出 输入为三通道点云数据 ,也可以有额外的通道比如颜色、法向量等,输出整体的类别/每个点所处的部分/每个点的类别。对于目标分类任务,输出为 个分数,分别对应 个可能的类别。对于语义分割任务,输出 个分数,分别对应 ...