至此,我们完成了RandLA-Net中基本单元的构建,我们姑且把它称为RandLA-Net Vanilla(笑),接下来就像ResNet一样,往上堆layer就行了(暴言) Dilated Residual Block 这部分在结构上没啥内容可讲,实际上就是两层RandLA-Net Vanilla加上一个残差连接而已;剩下的内容留到实验部分一起说。 在讲实验之前,先来看看整体的...
基于此,作者在这篇文章中介绍了一种叫RandLA-Net的高效且轻量级的网络结构,这种网络可以直接在大规模点云数据上逐点推测点的语义信息。这个网络的核心方法是采用对点的随机抽样而不是使用更加复杂的对点的选择方法。尽管随机抽样具有显著的计算和内存效率,但可能会偶然丢弃关键特征。为了克服这个问题,作者引入了一种新...
RandLA-Net通过随机采样、局部特征聚合模块解决这两个问题。 ③Learning for Large-scale Point Clouds 预处理复杂 本文核心算法 典型的编解码结构 输入的N*d点云首先由shared MLP逐点提取特征,然后使用四个编码层和四个解码层学习每个点的特征,最后使用3层全连接层预测每个点的语义标签。编码层通过随机采样逐渐减少...
最后,我们将随机采样以及局部特征聚合模块组合到一起,基于标准的encoder-decoder结构组建了RandLA-Net。网络的详细结构如下图所示,可以看到,输入的点云在RandLA-Net中持续地进行降采样以节约计算资源及内存开销。此外,RandLA-Net中的所有模块都由简单高效的feed-forward MLP组成,因此具有非常高的计算效率。最后,在解码器...
[论文笔记]RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 针对目前点云分割存在速度慢、显存需求大的问题,该文提出以一种高效率学习的方法。从论文的结果来看,该文不仅在计算时间和计算资源上大幅缩减,分割效果也是达到甚至超过了SOTA。 采样 大规模点云处理的一个挑战在于如何快速且有效地...
论文链接: https://arxiv.org/abs/1911.11236 TensorFlow代码: https://github.com/QingyongHu/RandLA-Net 先上效果图: 一、动机 实现高效、准确的大场景三维点云语义分割是当前三维场景理解、环境智能感知的关键问题之一。然而,由于深度传感器直接获取的原始点云通常是非规则化 (irregular)、非结构化 (unstructure)...
●论文摘要 文章解决大场景下的高效率点云语义分割,因为依赖于昂贵的采样方法和复杂的预/后处理步骤,现存的方法只能操作小尺度的点云。我们提出的RandLA-net,是一个轻量级的对大尺度点云的高效分割网络。我们采用了随机采样而不是更复杂的采样策略,但是随机采样可能会丢失一些关键特征,为了解决这个问题,引入了一个全新...
RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds CVPR 论文笔记 2020,程序员大本营,技术文章内容聚合第一站。
基于三维点云场景的语义及实例分割:RandLA-Net和3D-BoNet 本文整理自牛津大学的杨波和胡庆拥在深蓝学院的线上公开课论文演讲。两位作者都是来自牛津大学的博士生,RandLA-Net和3D-BoNet分别发表在CVPR20和NeurIPS19上,两份工作都具有... 本报告分成了4个部分,作者先是介绍了深度学习在点云领域的相关背景,然后由Rand...
大量实验结果表明本文提出的RandLA-Net框架单次可以处理一百万的点云，并且速度比当前的算法快二百倍。此外本文算法的语义分割效果，在SemanticKitti和Semantic3D两个大规模的点云数据集上都超过了现有的处理算法。该论文中提出的轻量级网络结构使用随机采样算法降低计算量和内存使用，并且通过递增聚合模块逐渐增加感受野可以...