课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （下）

最新推荐文章于 2025-05-26 11:32:09 发布
原创 最新推荐文章于 2025-05-26 11:32:09 发布 · 776 阅读 · 3 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
标签
#神经网络 #网络 #深度学习
本篇笔记聚焦于三维点云处理课程的第五章下部分内容，主要讨论深度学习在点云上的应用，特别是图卷积神经网络（GCN）和动态图卷积神经网络（DGCNN）。DGCNN通过动态构建图关系进行特征提取，区别于PointNet++的欧式距离方法，GCN则依据图的邻接关系进行卷积操作。此外，笔记还探讨了DGCNN与GCN的区别以及在分类和分割问题中的应用。

课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （下）

本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记 课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！

本文主要为课程第五章的笔记！ 由于第五章开始进行深度学习领域知识讲解，因此不仅知识量陡增，课程量也加大，因此本章将分为上下两篇笔记进行记录。

课程链接：

三维点云处理——深蓝学院 正式内容: ####################################################
————————————————

GCN

在这里插入图片描述
本节课大纲：
主要讲图卷积神经网络 介绍其在点云上的应用 以及重点讲一篇文章：DGCNN
再由DGCNN 引申到能够用图表示的数据

DGCNN

在这里插入图片描述可以表达成图的数据： 社交网络、引用网络、分子式、点云、 三维面片等

事实上，所有用图表达的都可以用线连接，以此来表示节点关系
点云虽然没有直接用线连接，但是可以表示成这种关系

在这里插入图片描述

在这里插入图片描述
图像是有序排列的，而图是不规则的 ，因此也不能随意的进行卷积，非常复杂与麻烦

在这里插入图片描述
所以对于图神经网络的卷积，索引是按照相邻的元素去进行

在这里插入图片描述
相当于是利用点云点之间的连接关系进行索引

其实跟pointnet++有相似之处，pointnet++做特征提取的时候是基于欧式距离，而GCN是基于特征图进行的卷积与
池化操作
在这里插入图片描述
具体实现方法如下：

在这里插入图片描述
注意，这个图跟距离是没有关系的 距离只是帮助构建图，但是因为是根据图关系进行索引的，所以根本不会用到位置信息

在这里插入图片描述DGCNN 具体的网络结构

跟pointnet相比， 对于坐标的信息更改为了对于关系的信息 关注

在这里插入图片描述
提出了动态图处理，可以在每一层基于特征空间进行KNN
和静态相比，能够每层调整，更加具有活性

在这里插入图片描述
在这里插入图片描述
提升还是 比较明显的

GCN ：graph 卷积神经网络

在这里插入图片描述
连接根据相似矩阵进行表示
在这里插入图片描述
在这里插入图片描述
DGCNN和 GCN作对比：
在这里插入图片描述

Supplementary

本节将一些其他的深度学习领域的想法

  1. 分类和分割问题
    在这里插入图片描述
    分类是对一个场景做一个分类 分割可以理解成每一个元素的分类

  2. 实际应用 方法和技巧太多太复杂，应该结合具体问题具体分析
    在这里插入图片描述

睿慕课三维点云处理课程作业代码
09-12
睿慕课三维点云处理课程作业代码。睿慕课三维点云处理课程作业代码。睿慕课三维点云处理课程作业代码。睿慕课三维点云处理课程作业代码。睿慕课三维点云处理课程作业代码。
课程笔记-三维点云处理07——3D Feature Detection
Jason_____Wang的博客
04-28 1123
课程笔记-三维点云处理07—— 3D Feature Detection 本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记 课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！ 本文主要为课程第七章的笔记！ 由于第六章继续进行深度学习领域知识讲解，因此不仅知识量陡增，课程量也加大，因此本章将分为上下两篇笔记进行记录。 本节课主要讲3D特征感知，介绍 课程链接： 三维点云处理——深蓝学院 本节课大纲： #####################
三维点云课程（六）——三维目标检测
HUASHUDEYANJING的博客
07-21 4070
长方体表示长宽高、中心点、朝向、类别思路先检测后分类。
(三) 三维点云课程---RANSAC结合最小二乘求解点云的地面
qq_45369294的博客
10-28 1923
三维点云课程—RANSAC结合最小二乘求解点云的地面 三维点云课程---RANSAC结合最小二乘求解点云的地面三维点云课程---RANSAC结合最小二乘求解点云的地面1.RANSAC的步骤2.RANCAC的代码分析2.1输入参数τ，N\tau，Nτ，N的分析2.2 平面模型的创建2.3统计内点的个数2.4最小二乘优化2.5提前终止RANSAC的迭代3.RANSAC完整代码**原始数据** ![在这里插入图片描述](https://img-blog.csdnimg.cn/d10228f8bf3d4c5c978
PointNet++点云处理精讲(PyTorch)
08-11
三维点云是物理世界的三维数据表达形式，其应用日益广泛，如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。作为点云处理深度学习方法的里程碑工作，启发了很多后续研究。本课程对PyTorch版的PointNet++进行原理讲解、论文复现和代码详解。包括：  （1）提供三维点云物体分类数据集ModelNet40、物体部件分割数据集ShapeNet和场景分割数据集S3DIS的下载、可视化软件和方法；（2）在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试；（3）详解PointNet++的原理、程序代码和实现细节，并使用PyCharm进行Debug调试代码和单步跟踪。需要学习TensorFlow版PointNet++的学员可前往本人推出了课程《PointNet++点云处理TensorFlow版》
三维点云课程（一）——点云基础介绍
HUASHUDEYANJING的博客
07-10 6990
密度不均匀不规则没有纹理信息（三人成车）对深度学习的特点： 无序性 旋转不变性 主成分分析在点云中的作用 矩阵的运算：PCA ： ​​​​​​​ 降维和升维肯定有数据损失，所以要选取重要的主向量PCA是线性的 第一列是输入的图像，例如30*30就是900维的矩阵，把900维的矩阵在l个主向量上投影得到l组a，第二列是计算平均值所以都一样。可以看到由6个主向量来重构图片（最后一列）可以达到识别的效果。对每组a进行聚类，传入新的图片与a对比相似度来分类 点云拟合曲面的切面的法向
课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （上）
Jason_____Wang的博客
03-30 819
课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （上） 本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记 课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！ 本文主要为课程第五章的笔记！ 由于第五章开始进行深度学习领域知识讲解，因此不仅知识量陡增，课程量也加大，因此本章将分为上下两篇笔记进行记录。 课程链接： 三维点云处理——深蓝学院 正式内容: ##########################
【论文阅读】Deep Closest Point: Learning Representations for Point Cloud Registration
最新发布
最短的捷径就是绕远路，绕远路才是我的最短捷径。
05-26 875
《深度最近点：学习点云配准的表示方法》提出了一种基于深度学习的点云配准方法Deep Closest Point (DCP)。传统ICP算法容易陷入局部最优且依赖初始化，而DCP通过端到端网络架构实现更鲁棒的配准。该方法包含三个关键模块：点云嵌入网络（采用PointNet/DGCNN提取特征）、注意力机制（建立点云间软对应关系）和可微分SVD层（计算刚体变换）。实验表明DCP在ModelNet40数据集上性能优于传统方法，对噪声和密度变化具有鲁棒性，并能作为ICP的良好初始化。该研究首次将深度学习与几何方法结
点云数据增强~综述
whaosoft143ai的博客
08-13 1562
目前，很少有研究针对不同的点云处理任务，使用一致的基线网络和数据集来评估点云数据增强方法的性能。我们提出的分类体系中的子类别代表了文献中已用于点云数据增强的各种方法的总结，或具有潜力被用于点云数据增强的方法。作为比较各种增强方法的另一部分，附录中（详见论文）还概述了使用增强点云数据的下游任务的定量性能，以及这些任务中采用的增强方法。这些操作可以应用于整个点云数据集，也可以使用特定策略应用于点云数据中选定的实例（实例指的是诸如图2（a）所示的车辆这样的语义对象），或者应用于选定实例的特定部分。whaosoft
激光点云处理的学习之路（深蓝学院）
yz9521的博客
01-17 1062
一、配置环境 环境搭建 1. Ubuntu18.04 安装 Anaconda3 https://blog.csdn.net/qq_15192373/article/details/81091098 2. Ubuntu 18.04 Anaconda使用 https://blog.csdn.net/guolindonggld/article/details/82595473 3. Anaconda使用总结 https://www.jianshu.com/p/2f3be7781451 4. 【点云处...
【学习笔记】深蓝学院-三维点云处理
麒麒哈尔的博客
07-09 7826
文章目录PCA & Kernel PCASuface Normal & Filters PCA & Kernel PCA Kernel PCA可以理解为，先通过非线性变换，将点云投影到高维空间中，然后在高维空间中做PCA。但这个非线性变换函数很难找，所以通过数学变换，改写，用核方法表示。使用常用的，多项式的核，高斯的核就可以实现Kernel PCA。 Suface Normal & Filters Surface Normal就是PCA中中最后一维的向量，将点云做PCA，最后
点云配准python代码_三维点云处理，主流算法集合！
weixin_39851918的博客
12-06 1257
三维点云是最重要的三维数据表达方式之一。从技术角度看，SLAM、三维重建、机器人感知等领域，点云都是最简单且最普遍的表达方式：相对于图像，点云有其不可替代的优势-深度，也就是说三维点云直接提供了三维空间的数据，而图像则需要通过透视几何来反推三维数据。从应用角度看，上至无人驾驶中的激光雷达，下至微软Kinect、iPhone FaceID以及各种各样的AR/VR应用，都需要基于点云的数据处...
深蓝学院-----3D点云课程第一章笔记
weixin_47343723的博客
08-06 1494
深蓝学院点云学习
Deep Learning for 3D Point Clouds: A Survey - 3D点云的深度学习：一项调查 (IEEE TPAMI 2020)
77wpa的博客
02-02 2730
由于点云学习在计算机视觉、自动驾驶和机器人等许多领域的广泛应用，点云学习最近引起了越来越多的关注。作为人工智能中的一项主要技术，深度学习已经成功地用于解决各种2D视觉问题。然而，由于使用深度神经网络处理点云所面临的独特挑战，点云的深度学习仍处于起步阶段。最近，点云上的深度学习变得更加繁荣，有许多方法被提出来解决这一领域的不同问题。为了促进未来的研究，本文全面回顾了点云深度学习方法的最新进展。它包括三个主要任务，包括3D形状分类、3D目标检测和跟踪以及3D点云分割。
(二) 三维点云课程---DBSCAN
qq_45369294的博客
10-27 1874
三维点云课程—DBSCAN DBSCAN由于具有同谱聚类一样的效果，但时间复杂度更低，就DBSCAN的步骤进行讲解 上述是DBSCAN的效果，类似于图像中的"漫水算法",从一个点出发，找到一个离自己比较近的点，找到之后继续寻找。虽然是工作在欧式空间，但是效果很好。 1.步骤 准备工作：所有点的标签都是未访问的 参数：距离r,最小采样点minPts 1.随机选择一个未访问的点p，在半径r发现它的邻居 2.半径r内的邻居数≥\ge≥ minPts 是的。p是核心点，此时创建一个聚类C，标记p为访问过后的点，
三维点云数据处理及算法实践
3D视觉工坊
11-23 1704
三维点云是最重要的三维数据表达方式之一，相比于图像而言，点云自身的特性使其更难处理：首先，点云是不规则分布的，比图像的规则网格更难，并且点云更稀疏；其次，点云缺少了图像中的纹理，导致在语义分析方面较为困难。与图像相比，点云有这些糟糕的特性，为什么三维点云在计算机视觉、自动驾驶、机器人等领域仍然得到了越来越多的广泛应用呢？这是因为点云比2D图像多提供了一个维度的信息，即深度信息。世界本来处于三维空间...
课程资源下载汇总（三维点云处理、多传感器融合、机器人学状态估计）
wtlll的博客
11-17 2514
1.前言 方便大家找资料，也为了避免视频在其他地方频繁被和谐，所以选了在这里写个集合，大家看到了就自行保存吧。。。 2.课程内容 2.1 激光SLAM的发展和应用 下载地址：传送门 课程介绍： SLAM（同步定位与地图构建），是指运动物体根据传感器的信息，一边计算自身位置，一边构建环境地图的过程，解决机器人在未知环境下运动时的定位与地图构建问题。目前，SLAM 的主要应用于机器人、无人机、无人驾驶、AR等领域。按传感器来分，SLAM 主要分为激光 SLAM 和 视觉SLAM （VSLAM）两大类。其
【三维语义分割模型】DGCNN
叶子的博客
08-23 2902
三维语义分割模型DGCNN，含详细python源码解读。
【点云系列】PoinNetVLAD：Deep Point Cloud Based Retrieval for Large-Scale Place Recognition
weixin_43882112的博客
11-23 4999
文章目录1. 概要2. 动机3. 方法问题定义整体网络框架4. 实验数据集说明：5. 参考 1. 概要 一句话：第一篇基于深度学习的点云点特征的点云检索文章 论文：https://arxiv.org/abs/1804.03492 代码：https://github.com/mikacuy/pointnetvlad 说明：原版代码是tensorflow的，github上有pytorch版本，可自行寻找使用哈。 2. 动机 首先普及一下，场景识别是点云检索的一种实例。主要针对自动驾驶当中，可识别当前场景是否在已
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值