MSG效果较好,但相对的计算量也较大(经过三次PointNet)。作者在论文中给出了分类实验结果对比图,可以看出多尺度(MSG, MRG)和单一尺度(SSG)相比分类准确率没有什么提升,但当点云很稀疏的时候,使用MSG可以保持很好的鲁棒性。random input dropout(DP)对于鲁棒性提升也很大。 random input dropout(DP)指的是输入的时...
某种程度有点像数据增强,也是提高模型的robustness。 在点云密度较大的情况下,多尺度(MSG,MRG)和单一尺度相比(SSG)对分类的准确率没有什么提升. 如果点云很稀疏的话,使用MSG可以保持很好的robustness。对于robustness效果random input dropout(DP)其实贡献更大。 从分割实验结果看,使用(MSG+DP)之后的确是比SSG结果...
在分组层中作者提出了3种方案:SSG(single scale grouping)、MSG(multi-scale grouping)多尺度、MRG(multi-resolution grouping)多分辨率。实际上就是采用不同的半径或不同的分辨率进行了多次采样分组。也是为了解决本文中的第三个问题。 SSG:就相当于只有一种半径做了分组采样 MSG:相当于在同分辨率下做了多个半径分...
PointNet中采用TNet来保证点云特征旋转的不变性 ==> PointNet++采用局部相对坐标进行特征提取,剔除了TNet网络 针对稀疏点云导致样本不均匀问题,PointNet未做处理 ==> PointNet++提出多尺度方法MSG和多层级方法MRG来解决样本不均匀问题 对于分割网络来讲,PointNet直接整合global feature和local embedding特征 ==> PointNet...
在上一节点云处理:基于Paddle2.0实现PointNet++对点云进行分类处理②中,我们一起实现了单尺度PointNet++网络,即PointNet++(SSG)整体网络搭建,并进行训练和测试。 那么在这一节中,我们将会实现PointNet++(MSG)中基础部分的搭建,即PointNetSetAbstractionMsg层的搭建。 在下...
多尺度(MSG,MRG)和单一尺度相比(SSG)对分类的准确率没有什么提升. 如果点云很稀疏的话,使用MSG或者MRG就会获得更好的效果。 通常在官方给出的代码中会同时出现这几种点云处理模型,我们以训练效果较好的MSG算法为例给出训练自己模型的方法。 2.2.3 数据预处理 ...
作者在 2D MNIST 数据集和 3D ModelNet40 数据集上进行了实验,分类结果基本达到了 SOTA,而且也验证了 PointNet++ 在不同的点云采样密度下的鲁棒性。下图中 SSG 表示单尺度聚合层(相对于 MSG)。 4.3 场景分割 作者基于 Scannet 框架[3],对比了 3DCNN[4]、PointNet 和 PointNet++ 网络的性能。
MSG在每次球查询时使用不同大小的半径,这就是所谓的多尺度multi-scale。对于每个尺度,都对应一个PointNet,也就是说有几个尺度,就有几个不同的PointNet。而在SSG中,只给定了一个尺度大小的半径,因此对所有的邻域只是用一个PointNet进行特征提取。 多尺度的特征提取后,每个尺度得到的特征的channel数是不一样的,但是...
前面介绍的抽象层都只包含单个尺度的分组(single scale grouping,SSG)和特征提取。在PointNet++中,每个抽象层还可以使用多尺度分组(Multi-scale grouping,MSG)、多分辨率分组(Multi-resolution grouping ,MRG),来提取并组合多个局部区域特征。 (1)多尺度分组(Multi-scale grouping,MSG)...
msgmulti-scale-grouping多尺度分组(详见论文内介绍) ssgsingle-scale-grouping单尺度分组(详见论文内介绍) mlpmulti-layer-perceptron多层感知器(简单理解就是for循环添加一堆大小不一样的Dense层的意思) tqdm一个python进度条展示库 bnbatch normalization批次正则化,有什么作用可自行google ...