PointWeb&PointCNN
2021/11/25 23:15:36
本文主要是介绍PointWeb&PointCNN,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
Abstract
这篇文章提出了PointWeb
,一种在点云的局部邻域上下文中提取特征的新方法,与之前工作不同是,我们在局部邻域中稠密的将每个点和其他点连接起来。目的是基于局部区域的特征来指定每个点的特征,以更好地表示该区域。提出了一种新的特征调整模块,即AFA(Adaptive Feature Adjustment)模块,用于发现点之间的相互作用。
待补充
PointNet
直接使用MLP去处理原始点信息,紧随其后的PointNet++
引入了分层结构和局部特征信息进一步提高性能,其与将像素的特征与其局部邻域集成在一起的2D卷积不同,PointNet++
中局部区域的特征聚合是通过最大池实现的。如下图a,对于DGCNN
,它通过将中心点的特征与其通过knn
计算的临近点之间的特征差作为另外的输入维度连接起来,然后进行MLP
和max-pooling
来聚合每个局部区域中的信息。这里仅仅考虑了中心点的对关系,因为区域信息的聚合操作也是通过简单的max-pooling
实现的,所以区域信息的整合依然是有限的。
补充部分Beg-PointCNN
CNN之所以获得如此大的成功,关键在于他的Conv
操作,该操作可以利用图像中密集表示的数据中的局部相关性,得到局部集合结构。此处的想法就是可不可以将其在PointCloud
中应用该种想法。
\(\mathcal{X}-Conv\)来鹅城只为两件事:
- 对每个代表点周围的点特征做集成。
- 在隐空间对输入做重排去除输入顺序的影响。
上面两件事的作用可以类比为CNN
里面的Conv
操作。
作者提出了一种在卷积角度处理点云问题的框架,其中最关键的部分被称为\(\mathcal{X}-Conv\),他的主要作用就是解决了上面两件事。
CNN
采用Conv
这种结构对规则的欧氏空间的图像等数据进行逐层的信息整合,本文提出一种\(\mathcal{X}-Conv\)的一种类似卷积的结构来实现相同的目标。他的核心是学习一个\(K \times K\)的特征重排矩阵\(\mathcal{X}\),作用是对任意顺序输入的特征重新排列使模型对输入顺序不变,理想情况下这个矩阵是\(0-1\)矩阵,实际上学习到的并不是完全的二值分布,但是仍然是有效的。
补充部分End-PointCNN
这篇关于PointWeb&PointCNN的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-05-15PingCAP 黄东旭参与 CCF 秀湖会议,共探开源教育未来
- 2024-05-13PingCAP 戴涛:构建面向未来的金融核心系统
- 2024-05-09flutter3.x_macos桌面os实战
- 2024-05-09Rust中的并发性:Sync 和 Send Traits
- 2024-05-08使用Ollama和OpenWebUI在CPU上玩转Meta Llama3-8B
- 2024-05-08完工标准(DoD)与验收条件(AC)究竟有什么不同?
- 2024-05-084万 star 的 NocoDB 在 sealos 上一键起,轻松把数据库编程智能表格
- 2024-05-08Mac 版Stable Diffusion WebUI的安装
- 2024-05-08解锁CodeGeeX智能问答中3项独有的隐藏技能
- 2024-05-08RAG算法优化+新增代码仓库支持,CodeGeeX的@repo功能效果提升