腾讯云
开发者社区
文档
建议反馈
控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
搜索
搜索
关闭
发布
登录/注册
首页
学习
活动
专区
工具
TVP
最新优惠活动
返回腾讯云官网
翻译专栏
专栏成员
举报
1
文章
305
阅读量
1
订阅数
订阅专栏
申请加入专栏
全部文章(1)
linux(1)
图像处理(1)
搜索文章
搜索
搜索
关闭
The Devils in the Point Clouds: 研究点云卷的稳健性 (CS)
图像处理
linux
最近,人们对在不规则采样的点云上进行卷积产生了极大的兴趣。由于点云与常规栅格图像有很大的不同,因此必须更仔细地研究卷积网络的通用性,特别是它们在输入数据的尺度和旋转变化下的鲁棒性。本文研究了点云上卷积网络PointConv的不同变体,以考察其对输入尺度和旋转变化的鲁棒性。在我们探索的变体中,有两个变体是新颖的,并产生了显著的改进。第一个是用简单得多的三阶多项式替换了基于多层感知器的权重函数,同时采用了Sobolev规范化。其次,对于3D数据集,除了常规的3D坐标外,我们还利用3D几何属性作为PointConv的输入,从而推导出一种新型的观点不变的描述符。我们还探讨了激活函数、邻域和子采样方法的选择。我们在2D MNIST和CIFAR-10数据集以及3D SemanticKITTI和ScanNet数据集上进行了实验。结果显示,在2D上,使用三阶多项式极大地提高了PointConv对尺度变化和旋转的鲁棒性,甚至超过了MNIST数据集的传统2D CNN。在3D数据集上,新颖的视点不变量描述符显著提高了PointConv的性能以及鲁棒性。我们在SemanticKITTI数据集上实现了最先进的语义分割性能,在ScanNet数据集上也实现了与目前基于点的方法中最高框架的性能相当。
管欣8078776
2021-01-22
305
0
没有更多了
社区活动
【纪录片】中国数据库前世今生
穿越半个世纪,探寻中国数据库50年的发展历程
立即查看
Python精品学习库
代码在线跑,知识轻松学
立即查看
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
立即体验
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
立即查看
领券
问题归档
专栏文章
快讯文章归档
关键词归档
开发者手册归档
开发者手册 Section 归档