启思:PointNet 家族简介(一) pointnet: VoxelNet: 1)Voxel Partition:也就是将空间划分为一个个堆叠的、相同大小的Voxel (2)Grouping:上面将空间划分为一个个的Voxel了,Grouping这一步的作用就是将3D点云数据装进这一个个的Voxel中,实现分组。 (3)Random Sampling:3D点云的数据量往
PointNet++按照任务也分为 classification (分类网络)和 segmentation (分割网络)两种,输入和输出分别与PointNet中的两个网络一致。 PointNet++会先对点云进行采样(sampling)和划分区域(grouping),在各个小区域内用基础的PointNet网络进行特征提取(MSG、MRG),不断迭代。 对于分类问题,直接用PointNet提取全局特征,采用全连接...
Set abstraction 每个set abstraction包括sampling、grouping和一个PointNet。 sampling: 使用farthest point sampling(FPS)选择个点,作者使用FPS而不是随机取样的原因是,FPS更容易囊括整个点云。 grouping: 使用Ball Query或KNN的方法,生成在sampling的邻域中选择个点。这一步使用具体哪个方法差别不太大: PointNet: 对Samp...
PointNet++按照任务也分为 classification (分类网络)和 segmentation (分割网络)两种,输入和输出分别与PointNet中的两个网络一致。 PointNet++会先对点云进行采样(sampling)和划分区域(grouping),在各个小区域内用基础的PointNet网络进行特征提取(MSG、MRG),不断迭代。 对于分类问题,直接用PointNet提取全局特征,采用全连接...
PointNet++会先对点云进行采样(sampling)和划分区域(grouping),在各个小区域内用基础的PointNet网络进行特征提取(MSG、MRG),不断迭代。对于分类问题,直接用PointNet提取全局特征,采用全连接得到每个类别评分。对于分割问题,将高维的点反距离插值得到与低维相同的点数,再特征融合,再使用PointNet提取特征 。
Grouping layer: 组建局部邻域,两个变量,每个区域中点的数量k,球的半径 方法:Ball query Point Net layer: 对每一组按照PointNet的方式提取特征,并用最大池化得到每一组点的全局特征。假设特征数量为nfeature,那么SA模块返回的特征维度为nfeature X npoint,同时SA模块会返回最远点采样的坐标,以便于进一步连续进行SA...
Grouping layer:根据Sampling layer的中心点查找周围相邻的点去构造一个局部邻域集合。 PointNet layer:使用一个小的PointNet将Grouping layer区域编码为特征向量。 一个集合抽象层以N×(d+C)N×(d+C)的矩阵作为输入,其中的NN是NN个点,每个点有dd维的坐标,和CC维度的特征向量。他的输出是N′×(d+C′)N′×...
首先进行set abstraction,这一部分主要即对点云中的点进行局部划分,提取整体特征,如图可见,在set abstraction中,主要有Sampling layer、Grouping layer、以及PointNet layer三层构成,sampling layer即完成提取中心点工作,采用fps算法,而在grouping中,即完成group操作,采用mrg或msg方法,最后对于提取出得点,使用pointnet进行特征...
PointNet++的核心思想是利用分层的网络结构,以分层的方式处理空间中采样的点。具体而言,PointNet++采用了一种称为“set abstraction”的模块,该模块能够提取不同尺度的局部特征。在一个set abstraction层中,输入是一组无序的点,每个点包含d维坐标和C维特征。通过最远点采样(farthest point sampling)和组合(grouping)操...
PointNet++会先对点云进行采样(sampling)和划分区域(grouping),在各个小区域内用基础的PointNet网络进行特征提取(MSG、MRG),不断迭代。对于分类问题,直接用PointNet提取全局特征,采用全连接得到每个类别评分。对于分割问题,将高维的点反距离插值得到与低维相同的点数,再特征融合,再使用PointNet提取特征 。4、模型效果 ...