PointPillars 的主要 idea 是,在自动驾驶等应用中,3D 场景点云中的物体检测存在这样一种特点:垂直方向(z 轴)相对另外两个轴的信息量更低。举个例子,我们通常使用俯视图来标注地图上出现的物体,因为此时展示的信息量更大,其他视角会有遮挡。 所以,这篇 PointPillars 的思路就是,在 xy 平面上划分网格,然后把垂直...
PointNet 是由 Charles R. Qi 等人在《PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation》中提出，其主要特点是可以直接处理点云数据，通过学习每个点的空间编码，进而得到全局点云特征，适用于点云分类和分割任务。然而，PointNet 在提取局部特征的能力上有所欠缺，限制了其...
点云数据有一个很显著的特点——在不同区域点云的密度不一样。比如通过Lidar采集的点云数据,通常距离较远地方的点云较稀疏。这种分布不均的特性给点云的特征学习带了了很大的挑战,PointNet++对PointNet Layer做了改进,提出两种density adaptive PointNet Layer——Multi-Scale Grouping(MSG)和Multi-Resolution Groupint...
无序性:重排输入点的顺序,表示的还是同一组点云顺序,网络的输出应该一致。 2.变换不变性:对同一组点云做仿射变换(比如最简单的旋转),网络的输出也应该一致。 3.交互性:一组点云内点与点之间应该具有某种关联性。 针对上述3D 点云的特点,PointNet设计了一种网络来处理上面三个问题: Max pooling:使用对称函数(Sy...
主要特点 直接处理点云:PointNet 可以直接从点云中学习,无需将点云转换为体积网格或图像表示。 排列不变性:由于PointNet 使用对称函数如最大池化来聚合点的特征,它对输入点的顺序是不敏感的。 高效性:PointNet 的设计简洁,计算效率高,适合实时应用。 应用场景 ...
探索PointNet家族，一系列旨在处理点云数据的神经网络，本文将逐一介绍它们的主要特点和应用场景。点云，源于3D扫描技术，如LiDAR，通过激光反射获取物体表面的多个点，构成数据的特殊结构。点云数据具有稀疏性、非均匀分布以及额外属性（如法向量、颜色）等特性。开山之作PointNet[1]是点云神经网络的奠基之作...
二、PointNet特点分析 直接处理点云数据:PointNet能够直接处理原始的点云数据,无需进行复杂的预处理操作,如体素化或投影到二维平面。这大大简化了数据处理流程,提高了效率。 无序性处理:针对点云数据的无序特性,PointNet采用了一种对称函数(如最大池化)来聚合点的特征。这意味着无论点的输入顺序如何变化,网络都能输...
PointNet网络结构的灵感来自于欧式空间里的点云的特点。对于一个欧式空间里的点云,有三个主要特征: 无序性:虽然输入的点云是有顺序的,但是显然这个顺序不应当影响结果。 点之间的交互:每个点不是独立的,而是与其周围的一些点共同蕴含了一些信息,因而模型应当能够抓住局部的结构和局部之间的交互。
这个特点也决定了语义分割的特征提取网络必须要具备更大的感受野。1.1 基于点的方法 对于直接处理点的...