回到点云,在做 3D 视觉的时候,处理的主要是点云,点云就是一些点的集合。相对于图像,点云有其不可替代的优势——深度,也就是说三维点云直接提供了三维空间的数据,而图像则需要通过透视几何来反推三维数据,这个透视几何可能推出来的数据并不符合要求,会有一些偏差。点云其实就是某个坐标系下的点的数据集,点包含...
这个模型由斯坦福大学的Charles R. Qi等人在PointNet:Deep Learning on Point Sets for 3D Classification and Segmentation一文中提出。下面我将结合手中的一些资料谈一谈我对这篇文章的理解。 简介 深度学习已经成为了计算机视觉领域的一大强有力的工具,尤其在图像领域,基于卷积神经网络的深度学习方法已经攻占了绝大多...
了解 PointNet 模型前，我们先来理解什么是3D点云。三维图像由普通的RGB三通道图像加上深度信息（Depth，D）构成，即 RGB-D，每个像素包含深度D和RGB属性。点云作为3D视觉核心，是点的集合，每个点包含三维坐标（X, Y, Z）以及丰富的其他信息，如颜色、分类值等。点云分为有序和无序两种类型，前者...
VCG和CGAL专注于三角网格处理，而Open3D则致力于3D数据的高效开发，前端支持C++和Python，后端优化了并行计算。点云操作涵盖了分割、填充、生成、检测和配准等多个环节，如PointFlow和PointNet，而CloudCompare则是专业的点云数据处理工具，其论文和GitHub资源丰富。点云的特性使得数据处理需要特别关注不变性特征...