从本质上来说,要么对一个点做操作,要么对所有点做操作,实际上没有局部的概念(local context),比较难对一些精细的特征进行学习在,在分割的过程中会存在一些局限性。同时由于缺少local context ,其在平移不变性上也有一定的缺陷。因为对点云数据做平移操作后,所有的数据都将发生变化,导致所有的特征,全局特征都不一样...
PointNet有一个缺陷:无法捕获local content。因为要么是shared MLP作用在每个point上,要么是max pooling对全部点的信息进行summarize。为了解决PointNet的这一缺陷,作者设计了PointNet++这一分层神经网络,其核心思想是在局部区域递归地应用PointNet,如下图所示: PointNet++的核心组成主要包括上图左半部分的set abstraction和右...
前面我们提到了PointNet的一个缺陷,即没有提取局部特征这一过程。这在实际使用过程中该缺点往往会导致模型泛化能力有限,特别是在复杂场景下。 那么作者在PointNet++文章中(总体结构图如上),主要针对三个问题,提出了三种解决方法,分别为: 问题1:一个点云图往往有非常多的点,这会造成计算量过大而限制模型使用,如何解...
可以使用PointNet或PointNet++进行点云处理。它在进行点云处理之前，先使用图像信息得到一些先验搜索范围，...
对于PointNet 层,作者这里并不是直接使用原版的 PointNet[2],而是在其基础上加入了多尺度信息。原版的 PointNet 是在单尺度下进行局部特征的学习,然而当局部点云数据密度比较小时,可能由于采样的缺乏而无法学习到任何有效的特征信息。因此,作者提出在 PointNet 层基础上,对其输入进行密度自适应,主要有两种方法: ...
【附源码】YOLO系列教程之缺陷检测实战(钢材表面划痕、裂纹,布料表面脏污、染色不均等) 1606 21 5:40:33 App 人工智能医学影像处理实战:医疗大数据、影像组学、临床研究应用、SCI论文解读、Python数据处理、机器学习论文一口气学爽! 1231 24 12:14:50 App 【YOLOv5+YOLOv8】目标检测实战系列!大佬带你手撕基于PyTorc...
将全局特征与局部特征拼接，生成具有辨别能力的点特征，适用于分割任务。PointNet++的损失函数采用交叉熵损失，适用于分类和分割任务。在设计上，它提供了良好的表征网络，对后续的点云处理应用有重要影响。PointNet++在一定程度上弥补了PointNet的缺陷，尤其是在局部结构的捕捉和复杂场景的泛化能力方面。
但是,在低密度区域禁止这种密切检查,因为局部图案可能会被抽样缺陷破坏。在这种情况下,我们应该在更大范围内寻找更大规模的模式。为了实现这一目标,我们提出了density adaptive PointNet layers(密度自适应点网络层)(图3),当输入采样密度发生变化时,该层学习结合来自不同尺度区域的特征。我们将具有密度自适应PointNet层...
值得注意的是,输入pointnet的坐标需要进行一个处理。就是将每个点的坐标减去中心点坐标。其实这个也很好理解,我们使用pointnet来提取的是这个patch的特征,坐标剪完就是个相对坐标(相对于一个patch中心点的 坐标)。如果不减的话,你的坐标属于整个点云空间,那你提取的信息到底是想关于这个patch还是关于整个数据?