目录 基于进化算法和权值共享的神经网络结构搜索 检测视频中关注的视觉目标 包含状态信息的弱监督学习方法进行人物识别 基于解剖学感知的视频3D人体姿态估计 RandLA-Net:一种新型的大规模点云语义分割框架...RandLA-Net:一种新型的大规模点云语义分割框架 论文名称:RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds...作者:Qingyong Hu 发表时间:2020/2/1 论文链接:https://arxiv.org/pdf/1911.11236.pdf 推荐原因 本文的核心: 作者主要介绍了RandLA-Net...此外,作者还引入了一种新颖的局部特征聚合模块,通过使用轻量级的网络体系结构,最终证明了RandLA-Net网络框架可以有效地用来解决大规模点云问题。...创新点: 作者提出了一种基于简单高效的随机将采样和局部特征聚合的网络结构(RandLA-Net)。
基于这样的目标,我们提出了一种基于简单高效的随机降采样和局部特征聚合的网络结构(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。...RandLA-Net的网络结构. (N, D)分别表示点的个数和特征维数。...虚线表示由于GPU内存有限而产生的估计值 (2) Efficiency of RandLA-Net 我们进一步对RandLA-Net在处理真实场景中的大规模三维点云的效率进行评估。
image.png 3、RandLA-Net RandLA-Net 引入了一种轻量级神经结构,可以处理大型点云,速度是其他架构的 200 倍,这是因为大多数现有架构都使用昂贵的采样技术以及预处理/后处理方法...RandLA-Net 在单次传递中处理大型 3D 点云,无需任何预处理步骤,如体素化、块分区或图形构造。RandLA-Net 仅依赖于网络内的随机采样,因此需要的内存和计算要少得多。...整个RandLA-Net网络包含共享的多层感知器,无需依赖图构建和内核化,因此效率很高。不同的采样方法,如最远点采样、反向密度重要性采样、基于生成器的采样等,在计算效率方面非常显著。...因此,RandLA-Net提出了一个本地聚合模块。此模块并行应用于每个 3D 点,它由三个神经单元组成。 LocSE:在这个模块中,所有特征都明确用于编码点云的三维坐标信息。...下图图将RandLA-Net的输出与PointNet++进行比较。
为了减少每个块中的总点数,KPConv和RandLA-Net中采用了网格或随机下采样, 许多其他方法倾向于使用不同的采样和分块操作。...而后,我们把PointNet和RandLA-Net作为baseline,评估了步骤1和步骤2的四种不同组合对整体分割性能的影响。如下所示: ?...从实验结果可以看出: 输入几何坐标以及颜色信息时,PointNet / PointNet ++,KPConv和RandLA-Net均可实现更高的分割精度。...在这里,我们以PointNet和RandLA-Net为基准,评估了五个现成的损失函数的有效性,结果如下表所示: ? 可以看出,使用更加有针对性的损失函数确实可以提高分割性能。...值得注意的是,对于极富挑战性的bike类,经过wce+sqrt训练的基准RandLA-Net获得了20%以上的改进。这表明通过使用不同的损失函数可以在一定程度上缓解数据不平衡的情况。
.: Relation-Shape Convolutional Neural Network for Point Cloud Analysis (CVPR 2019) * RandLA-Net from...Qingyong Hu et al.: RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds * PointCNN
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,两份工作都具有非常大的贡献。...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RandLA-Net一作胡博士介绍其在大规模点云语义场景分割的工作,接着由3D-BoNet的一作杨博士介绍其在点云实例分割的工作,...02 RandLA-Net:大场景下的点云语义分割 ---- 如果你看过点云相关的代码,你会发现大部分点云方法都是在一个块上进行操作的。...作者提到之前做大场景的工作,处理起来都非常耗时,因此RandLA-Net工作motivation便有了。 那现有的方法,比如pointnet和pointnet++能直接迁移到大场景领域吗?
of Large-Scale Point Clouds 论文地址:https://arxiv.org/abs/1911.11236 代码地址:https://github.com/QingyongHu/RandLA-Net...基于这样的目标,我们提出了一种基于简单高效的随机降采样和局部特征聚合的网络结构(RandLA-Net)。...我们对现有的降采样方法进行了分析和比较,认为随机降采样是一种适合大规模点云高效学习的方法 我们提出一种有效的局部特征聚合模块,通过逐步增加每个点的感受野来更好地学习和保留大场景点云中复杂的几何结构 RandLA-Net
RandLA-Net通过局部特征聚合模块和随机采样构建,在关键位置保留显著特征并高效管理大规模点云。...因此,Zhang等人[19]选择了RandLA-Net作为主干网络,而Hu等人[7]也选择了它的编码器作为特征提取器。...Zhang等人[27]提出了一种使用基于自监督的点云着色的知识传递方法,基于RandLA-Net。...受自监督学习的启发,Zhang等人[19]提出了基于RandLA-Net的扰动自蒸馏和上下文感知模块。前者引入了辅助监督的图拓扑构建,后者对其结构进行了细化。...Cheng等人[22]提出了一种新的采样策略,并将其纳入到RandLA-Net中进行训练,实现了参数共享。
题目:RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 论文:https://arxiv.org/abs/1911.11236...arxiv 2019.11.25 代码:https://github.com/QingyongHu/RandLA-Net (No code yet) 简介:提出了RandLA-Net
例如,RandLA-Net[95]在Semantic3D的reduced-8子集上获得了76.0%的整体IoU,而在hardscape类上获得了41.1%的非常低的IoU。
2D 网格表征有前视图 (frontal view-image), range image, 鸟瞰图 (bird's-eye-view, BEV image) 等;当然也有直接对点进行操作的方法,例如 RandLA-Net...Randla-net: Efficient semantic segmentation of large-scale point clouds[C]//Proceedings of the IEEE/CVF
基于此,我们的方法仅使用1%的点来优于全监督的RandLA-Net和PSD。为了进行公平的比较,我们还扩展了在 6-fold设置时、基于S3DIS数据集与其他方法的比较,其结果如表2所示。...此外,在全监督的情况下,我们的方法比RandLA-Net实现了2.1%的mIoU增益。 S3DIS和ScanNet-V2的定性结果。...Randla-net: Efficient semantic segmentation of large-scale point clouds.
RandLA-Net[206]是一种高效、轻量级的用于大规模点云分割的网络。利用随机点采样(Random Sampling),在内存和计算方面取得了非常高的效率。...例如,RandLA-Net[206]在Semanti3D的Reduced-8子集上实现了76.0%的整体IOU,但在Hardscape类上的IOU非常低,只有41.1%。
RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 作者 | Qingyong Hu, Bo Yang, Linhai
尽管研究者们已经提出了诸如 Grid-GCN,RandLA-Net 和 PointVoxel 之类的新颖的算法来加速点云网络的处理,但是它们还是依赖于昂贵的浮点运算。
In this paper, we introduce RandLA-Net, an efficient and lightweight neural architecture to directly...Comparative experiments show that our RandLA-Net can process 1 million points in a single pass up to
论文链接 https://arxiv.org/abs/1911.11236 代码链接 https://github.com/QingyongHu/RandLA-Net 4、Towards Semantic
RandLA-Net使用随机采样法来减小内存和计算资源的占用。 2)Point-Convolution: 卷积是二维图像语义分割任务中特征提取的核心操作,要求对于网络上下层的信息进行有序的输入。
领取专属 10元无门槛券
手把手带您无忧上云