之后中心点不变,扩大区域,把上一步得到的那些特征作为输入送入PointNet,以此类推,这个过程就是不断的提取局部特征,然后扩大局部范围,最后得到一组全局的特征,然后进行分类。 2.2 整体网络结构 PointNet++ 在不同尺度提取局部特征,通过多层网络结构得到深层特征。PointNet++按照任务也分为 classification (分类网络)和 se...
PointNet PointNet++ 一、两者主要不同点 考虑到PointNet特征提取时只考虑单点,不能很好的表示局部结构 ==> PointNet++引入了sampling & grouping,考虑局部领域特征 PointNet中global feature直接由max pool得到,容易造成信息丢失 ==> PointNet++采用层级结构,可以有效的依据不同的感受野大小来提取不同区域的局部特征 Poi...
实际上通过网络结构看出T-net结构是一个mini的Pointnet做特征提取,是个弱监督学习设计,我理解为需要训练一个矩阵对输入点(或者深层特征)进行坐标变换,个人认为这样的设计实际上是可以保留原始点云的部分特征,为后面的concat操作提供更多特征。源码中在点云分类部分使用到了 T − n e t T-net T−net,点云分割...
之后中心点不变,扩大区域,把上一步得到的那些特征作为输入送入PointNet,以此类推,这个过程就是不断的提取局部特征,然后扩大局部范围,最后得到一组全局的特征,然后进行分类。 2.2 整体网络结构 PointNet++ 在不同尺度提取局部特征,通过多层网络结构得到深层特征。PointNet++按照任务也分为 classification (分类网络)和...
Pointnet开创性地将深度学习直接用于三维点云任务。由于点云数据的无序性,无法直接对原始点云使用卷积等操作。Pointnet提出对称函数来解决点的无序性问题,设计了能够进行分类和分割任务的网络结构,本文结合源码与个人的理解对于T-net网络和对称函数进行分析。
PointNet网络架构如下图所示,分类网络和分割网络共享很大一部分结构。 我们的网络有三个关键模块:作为对称函数的最大池化层,用于聚合来自所有点的信息;局部和全局信息组合结构;以及两个联合对齐网络,用于对齐输入点和点特征。 无序输入的对称函数 为了使模型对输入置换保持不变,存在三种策略:1)将输入按规范顺序排序;2...
实际上基于pointnet结构可以进行很多任务,比如点云配准,物体检测,3D重建,法向量估计等,只需要根据具体任务合理修改网络后几层的结构,利用好网络提取的高维特征。 不足:缺乏在不同尺度上提取局部信息的能力(因为基本上都是单点采样,代码底层用的是2Dconv,只有maxpooling整合了整体特征,所以局部特征提取能力较差) ...
网络结构 上图是该PointNet的网络结构。蓝色框内是用于分类的网络结构,蓝色框内除了最后的mlp,加上黄色框的网络是用于部件分割或或者语义分割的网络。网络中的重点包括T-Net、shared mlp和max pool。 shared mlp和max pool shared mlp的意思是多层感知机,这个多层感知机特别的地方在于它的权重是对每个点共享的,自然...
PointNet++网络结构如图所示,主要包含set abstraction(SA)块,分割网络中上采样的插值操作(interpolate),其中SA由sampling layer grouping layer和pointnet layer构成,接下来依次对其进行介绍。 sampling layer 作用 考虑到点云数量通常较大且数量不一致,PointNet++采用最远点采样(FPS(farthest point sampling ))从原始NN个...
PointNet是一种深度神经网络结构,用于直接处理无序的3D点云数据。 它的网络结构包括三个关键模块: 1. 最大池化层:作为对称函数,用于聚合所有点的信息。 2. 本地和全局信息组合结构:用于将局部和全局信息结合起来。 3. 两个联合对齐网络:用于对齐输入点和点特征。