标签:点云上 Efficient Processing Point 卷积 DensePoint 点云 mathcal 上下文
Abstraction
- 彻底的掌握难以捉摸的上下文语义信息是本文的目标。
- 提出一个名为
DensePoint
的通用框架去学习点云的密集的上下文表示。
Introduction
捕捉足够的上下文语义信息,以彻底掌握难以捉摸的形状信息。
贡献:
- 一种广义的卷积算子,他对点有排列不变性,尊重局部连通性和权值共享的卷积性质,从而将规则网格CNN扩展到不规则,实现高效的点云处理。
- 提出了一种具有广义卷积算子的通用架构,用于学习点云的密集上下文表示,即DensePoint。它可以获得足够的上下文语义信息,以便准确识别合法形状。
- SOTA
Method
首先描述点云上的点运算子和池化算子,然后介绍DensePoint
以及其如何学习墨迹上下文表示的点云处理。
点云上的卷积和池化
点云上的卷积操作:经典的图像卷积操作与局部网格区域,且权重共享。但是这个操作在点云上需要分成两部去做,特征转换和特征聚合。因此点云上的广义卷积可以定义为:
\[f_{\mathcal{N_{(x)}}}=\rho(\{\phi(f_{x_{n}}),\forall x)_n\in\mathcal{N(x)}\})\tag{1} \]其中的\(x\)和\(x_n\)代表3D点中的两个点,\(f\)是特征向量。\(\mathcal{N}(x)\)是局部点云进行卷积所形成的区域,取采样点\(x\)为中心,将附近的点作为其淋雨\(x_n\)。
标签:点云上,Efficient,Processing,Point,卷积,DensePoint,点云,mathcal,上下文 来源: https://www.cnblogs.com/A-FM/p/15689967.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。