PointCNN的动机是这样的： ?...看过代码的同学都知道，作者的核心思想X变换在代码pointcnn.py的xconv中，根据算法流程，可以把这部分代码划分成‘特征提取’和‘X矩阵训练’两块。下面分开来说。...（事实上PointCNN中的变换矩阵已经比PointNet中的T-net代码量小多了）。 小结 总的来说，作者的出发点是解决点云排序问题，从代码来看，更确切地说，是K邻域的排序问题。...这个思路还是挺棒的，实验效果也超越了PointNet++和PointCNN。但是运行代码需要配置的东西太复杂，我一直都没搞好，这也算一个小小的缺陷吧。...代码GitHub地址：https://github.com/yangyanli/PointCNN 论文地址：https://arxiv.org/abs/1801.07791
初次用PointCNN的同学，容易看不太懂它的代码结构。 我们从README.md开始看起。.../pointcnn_seg ....再然后，返回‘data_conversions’文件夹； 运行脚本，把刚才切分好的数据，转换成能够处理的格式； 进入‘pointcnn_seg’文件夹； 运行脚本train_val_semantic3d.sh.../models/seg -m pointcnn_seg -x $setting > ../...../models/seg/pointcnn_seg_$setting.txt 2>&1 & 这行代码让系统这么操作： 使用GPU——用python3来运行代码——返回上一级文件夹——执行train_val_seg.py
我们发现这一策略对于PointCNN的训练至关重要。...PointCNN对形状分析的应用 文章中说明了PointCNN对分类和图像分割问题的特征学习的有效性。...全卷积的PointCNN 在原本的CNN中运用了全卷积的思想来处理不同大小的图像，PointCNN也应该实现全卷积的方法来处理不同尺度的点云。...PointCNN还是CNN？ 由于X-Conv是卷积的一种推广，因此，对于相同的数据（但是表达形式不同），PointCNN应该至少不比CNN要差，甚至要更好。...在一般的图像上, CNN仍然是比PointCNN更好的选择。而PointCNN的优势在数据越稀疏的时候越能展现出来。
PointCNN：能够高效地从点云中提取特征 PointCNN PointCNN提出了一个称为X-变换的方法来解决在点云上卷积难以有效实现卷积的问题。 ?...PointCNN对形状分析的应用 文章中说明了PointCNN对分类和图像分割问题的特征学习的有效性。...全卷积的PointCNN 在原本的CNN中运用了全卷积的思想来处理不同大小的图像，PointCNN也应该实现全卷积的方法来处理不同尺度的点云。...PointCNN还是CNN？ 由于X-Conv是卷积的一种推广，因此，对于相同的数据（但是表达形式不同），PointCNN应该至少不比CNN要差，甚至要更好。...在一般的图像上, CNN仍然是比PointCNN更好的选择。而PointCNN的优势在数据越稀疏的时候越能展现出来。
山东大学近日公布的一项研究提出的 PointCNN 可以让 CNN 在点云数据的处理上取得更好的表现。机器之心对该研究论文进行了简单的编译介绍。...我们将这个过程称为 X-Conv，这是我们的 PointCNN 的基本构建模块。图 1 中 ii、iii 和 iv 的 X-Conv 可以描述为： ?...PointCNN 卷积算子的分层应用对 CNN 学习分层表征而言至关重要。PointCNN 具有同样的设计，并且将其泛化用在了点云上。...在这一节，我们首先介绍 PointCNN 中的分层卷积，并与图像 CNN 进行了类比；然后我们会详细解释核心的 X-Conv 算子；最后我们还会给出用于分类和分割任务的 PointCNN 架构。 ?...我们提出的方法是典型 CNN 向基于点云的特征学习的泛化，因此我们将其称为 PointCNN。实验表明，PointCNN 能在多种有挑战性的基准数据集和任务上实现与之前最佳方法媲美或更好的表现。 ?
但是之前也已经有几种解决办法了，具体可以参看 http://www.cnblogs.com/li-yao7758258/p/8182846.html 以及最近山东大学研究者们提出的PointCNN，...对于pointCNN 这篇论文是一种为基于点云的特征学习提出了一种简单且通用的框架。...我们提出的方法是典型CNN向基于点云的特征学习的泛化，因此将其称为PointCNN。实验表明，PointCNN能在多种有挑战性的基准数据集和任务上实现与之前最佳方法媲美或更好的表现。...PointCNN与其他方法的对比 其次，图像的可用数据比较多，尽管最近3D数据集的数量有所增加 。但是，对于3D情况，可以容易地生成合成数据。
.: RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds * PointCNN from Yangyan Li...et al.: PointCNN: Convolution On X-Transformed Points (NIPS 2018) * KPConv from Hugues Thomas et al.
image.png 4、PointCNN PointCNN 能够利用网格中密集表示的空间局部相关性，并为从点云中学习功能提供了框架。...PointCNN 从输入点学习χ转换，以促进与点相关的输入特征的加权，并将点排列成规范顺序。PointCNN 的架构包含两种设计： 1....具有两个χ-Conv层的PointCNN将输入点转换为较少的特征表示，但每个都具有更丰富的功能。然而，顶级χ-Conv层的训练样本数量迅速下降，使得训练效率低下。...为了解决这个问题，PointCNN 使用更密集的连接，其中在χ-Conv 层中保留更具代表性的点。此外，为了保持网络的深度，同时保持接受场增长率，采用扩张卷积。
PointCNN（点CNN） ---- ---- 作者：Yangyan Li,Rui Bu,Mingchao Sun,Baoquan Chen 摘要：We present a simple and general...method is a generalization of typical CNNs into learning features from point cloud, thus we call it PointCNN...Experiments show that PointCNN achieves on par or better performance than state-of-the-art methods on
因为point-based方法直接对无序点云进行操作，以PointNet, PointCNN为代表的这类方法需要对点云进行邻域查询，因此会产生大量的随机内存访问（Irregular access），这部分会占用大量运行时间...如图所示是作者对于DGCNN, PointCNN, SpiderCNN的时间消耗进行的计算。左边两个方框内的时间是无效时间，可以看出上述三种point-based方法有大量的无效时间。...与主流点云深度学习框架（PointNet, PointCNN, F-PointNet等）进行了比较，效果很好。部分实验结果如下： 语义分割任务，可以说是，利用更少的内存消耗，获得了更好的实验效果。
在 Stanford Large-Scale 3D Indoor Spaces(S3DIS) [1] 中可以达到 70.23 的 mIoU（对比 PointCNN 62.74, 相对提高 11.9%）。...PointCNN. ArXiv e-prints, January 2018. ? ? Prof.
(NIPS 2017) PointCNN – Li et al.
下图显示了我们的发现：之前最先进的基于点云的深度学习方法 DGCNN, PointCNN 和 SpiderCNN，往往需要 50%-80% 的时间进行非规则数据访问和动态卷积核计算，而实际计算的时间甚至可能低至...在 ShapeNet 数据集上，我们的完整通道数模型可以以 2.7 倍的实测加速达到略好于 PointCNN 的性能，同时我们的内存占用也减小了 1.6 倍；而即便我们将通道数缩小四倍，我们的模型也可以在达到...在 S3DIS 数据集上，我们的方法也具有先进的性能，同时极为高效：只需要七分之一左右的运行时间就可以超越此前优秀的方法 PointCNN。当然，我们的内存消耗也比 PointCNN 小了很多。
接着，各种直接处理点云的网络也纷纷出现，如PointCNN、SO-Net，效果也是越来越好。 ?
与PointNet不同，在解决点云的无序排列问题上，PointCNN没有采用maxpooling作为对称函数，而是训练了一个X变换网络，在多项任务中达到了当时的最高水平。
3.论文的意义 将图像和点云结合处理，相互约束，正如PointCNN提出方向一样。 对于2D图像，利用3D特征有助于在多个视点上进行一致的预测。
自从2017年能够直接在非规则点云上进行处理的PointNet [1] 被提出以来，越来越多的研究者开始尝试提出能够直接处理非规则点云的网络结构，出现了许多诸如PointNet++ [2], PointCNN...FPS能够比较好地保证采样后的点具有较好的覆盖率，因而在点云分割领域被广泛地使用(e.g., PointNet++, PointCNN, PointConv, PointWeb)。...主要原因是几何划分(geometrical partitioning)和超图构建(super-graph construction)等步骤的计算代价较高； 2、PointNet++和PointCNN的耗时也很长...PointCNN: Convolution on X-transformed points.
在PointNet、PointCNN、SO-Net等相继问世后，基于点云的深度学习的方法才开始不断改善。 ●论文图集 ? 图1显示了所提出系统的概述。这项研究基本上分为六个部分。
提出了PointCNN扩张了局部点云卷积的概念 Yangyan Li, Rui Bu, Mingchao Sun, and Baoquan Chen. 2018. PointCNN.
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
