Dujing2019的博客

原创 ECCV2020 语义分割——JSENet: Joint Semantic Segmentation and Edge Detection Network for 3D Point Clouds

阅读论文所做笔记，仅供参考！

原创 ECCV2020 点云处理——A Closer Look at Local Aggregation Operators in Point Cloud Analysis

A Closer Look at Local Aggregation Operators in Point Cloud Analysis动机 Motivation动机 Motivation由于每个网络的总体架构和实现细节不同，因此未仔细研究这些operators对网络性能的影响。同时，大多数operators仅应用于浅层架构。在本文中，我们将重新研究代表性的本地聚合算子，并使用相同的深度残差架构研究其性能。我们的调查表明，尽管这些运营商的设计不同，但是所有这些operators在相同的网络输入和特征数

原创 论文汇报PPT——PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation

原创 ECCV2020语义分割——Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution

Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution（一）动机 Motivation（二）创新 Innovation（三）SPVConv: Designing Effective 3D Modules3.1 Point-Voxel Convolution: Coarse Voxelization3.2 Sparse Convolution: Aggressive Downsampling3.3 Solution: S

原创 ECCV2020语义分割——Virtual Multi-view Fusion for 3D Semantic Segmentation

Virtual Multi-view Fusion for 3D Semantic Segmentation动机 Motivation创新 Invocation动机 Motivation用于3D语义分割的最新技术（SOTA）方法使用3D稀疏体素卷积运算符来处理输入数据。例如，MinkowskiNet和SparseConvNet 各自将输入数据加载到稀疏3D体素网格中，并使用稀疏3D卷积提取特征。这些“placecentric”的方法旨在识别3D模式，因此对于具有独特3D形状的对象类型（例如椅子）效果很好

原创 ECCV2020语义分割——Deep FusionNet for Point Cloud Semantic Segmentation

Deep FusionNet for Point Cloud Semantic Segmentation（一）动机 Motivation（二）创新 Innovation（三）网络 FusionNet3.1 Point Cloud Representation3.2 Neighborhood Aggregations3.3 Inner-voxel Aggregation（一）动机 Motivation现有方法不足：尽管基于体素的卷积对于特征聚合很有用，但是如果体素包含来自不同类的点，则它们会产生

原创 ECCV2020语义分割——Self-Prediction for Joint Instance and Semantic Segmentation of Point Clouds

Self-Prediction for Joint Instance and Semantic Segmentation of Point CloudsAbstract提出了一种新的学习方案，即三维实例的自预测和点云的语义分割。与大多数现有的专注于设计卷积操作符的方法不同，该论文设计了一种新的学习方案来增强点关系的探索，以便更好地分割。更具体地说，将一个点云样本划分为两个子集，并根据它们的表示构造一个完整图。在给定一个子集的标签时，利用标签传播算法对另一个子集的标签进行预测。通过训练这个自预测任

原创 CVPR 2020——OccuSeg: Occupancy-aware 3D Instance Segmentation

OccuSeg: Occupancy-aware 3D Instance SegmentationAbstract（一）Introduction（二）Related Work（三）Methods3.1. Multi-task Learning3.1.1 Embedding Learning3.1.2 Occupancy Regression3.2. Instance Clustering3.3. Network Training（四）Experiments4.1. Qualitative Evaluatio

原创 CVPR2020——3D-MPA: Multi Proposal Aggregation for 3D Semantic Instance Segmentation

3D-MPA: Multi Proposal Aggregation for 3D Semantic Instance SegmentationAbstract（一）Introduction功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导

原创 CVPR 2019——PointConv: Deep Convolutional Networks on 3D Point Clouds

PointConv: Deep Convolutional Networks on 3D Point CloudsAbstract（一）IntroductionAbstract将动态滤波器扩展到一个新的卷积运算，即PointConv。PointConv可以应用于点云以构建深度卷积网络。将卷积核视为由权重和密度函数组成的3D点局部坐标的非线性函数。提出了一个公式，可以有效地计算权重函数，从而能够大幅扩展网络并显着改善其性能。学习的卷积核可用于计算3D空间中任何点集上的平移不变和置换不变卷积。Po

原创 CVPR 2020——Unsupervised Learning of Intrinsic Structural Representation Points

Unsupervised Learning of Intrinsic Structural Representation Points（一） Abstract（二） Introduction（三） Method论文：https://arxiv.org/abs/2003.01661源码：https://github.com/NolenChen/3DStructurePoints（一） Abstract提出一种无监督方法，学习新的三维结构点的结构表示。以3D点云作为输入，并将其编码为一组局部特征。然

原创 CVPR 2020——PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation

PointGroup: Dual-Set Point Grouping for 3D Instance SegmentationAbstract（一） Introduction源码：https://github.com/Jia-Research-Lab/PointGroupAbstract介绍了PointGroup，这是一种新的端到端自下而上的体系结构，着重关注于通过探索对象之间的空隙空间更好地对点进行分组。设计了一个两分支网络来提取点特征并预测语义标签和偏移量，以将每个点移向其各自的实例质心。

原创 CVPR 2020——Weakly Supervised Semantic Point Cloud Segmentation: Towards 10× Fewer Labels

Weakly Supervised Semantic Point Cloud Segmentation: Towards 10× Fewer LabelsAbstract（一）Introduction（二） Related Work（三）Methodology3.1 Point Cloud Encoder Network3.2. Incomplete Supervision Branch3.3. Inexact Supervision Branch3.4. Siamese Self-Supervision3

原创 ICRA 2020——Dilated Point Convolutions: On the Receptive Field Size of Point Convolutions on 3D Point

Dilated Point Convolutions: On the Receptive Field Size of Point Convolutions on 3D Point CloudsAbstract（一）Introduction（二）Related Work（三）Approach（四）Experiments（五）Conclusion论文：https://arxiv.org/abs/1907.12046Abstract提出了扩张点卷积（DPC）。感受野的大小与3D点云处理任务的性能直接相关

原创 CVPR 2020——FPConv: Learning Local Flattening for Point Convolution

FPConv: Learning Local Flattening for Point ConvolutionAbstract（一） Introduction（二）FPConv3.1. Learn Local Flattening3.2. Implementation（三）Architecture3.1. Residual FPConv Block3.2. Multi-Scale Analysis3.3. Fusing Two Convolutions（四）Experiments4.1. 3D Shape

原创 CVPR 2020——Learning to Segment 3D Point Clouds in 2D Image Space

Learning to Segment 3D Point Clouds in 2D Image SpaceAbstract（一）Introduction（二）Related Work（三）Our Method: A System Overview3.1. Graph Construction from Point Clouds3.2 Graph Drawing: from Graphs to Im...

原创 CVPR 2020——Grid-GCN for Fast and Scalable Point Cloud Learning

CVPR 2020——Grid-GCN for Fast and Scalable Point Cloud LearningAbstractIntroduction2. Related WorkMethods3.1. Method Overview3.2. Coverage-Aware Grid Query (CAGQ)Abstract由于点云数据的稀疏性和不规则性，直接消耗点的方法变得很流行...

原创 CVPR 2019——Learning Object Bounding Boxes for 3D Instance Segmentation on Point Clouds

Learning Object Bounding Boxes for3D Instance Segmentation on Point CloudsAbstract1. Introduction2 3D-BoNet2.2 Bounding Box Prediction3D Instance Segmentation on Point Clouds)Abstract我们提出了一种新颖的，概念...

原创 三维点云论文——图片常用格式LaTeX排版

问题：在论文中，我们会经常看到下面展示的这种图片，对多幅子图进行对比展示，下标（可选择是否需要），并对数据的每个类别用不同的颜色进行注释，下标（不需要），但是需要换成文字注释。虽然可以选择在PPT或者其他画图软件画好，然后简单的直接将一整张图导入到Latex，但是这会造成一个小瑕疵， 图片里面的字体大小和正文字体大小可能会不一样，并且图放大或者缩小，字体也容易变形，我觉得这是一个容易忽视但又十分...

原创 CVPR 2020——RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds （已开源）

CVPR 2020 | RandLA-Net:大场景三维点云语义分割新框架（已开源）(一) Authors(二) Abstract（三）Introduction（三）Related Work（四）RandLA-Net4.1. Overview4.2. The quest for efficient sampling4.3. Local Feature Aggregation论文链接: https...

原创 论文阅读——Knowledge-Embedded Representation Learning

Knowledge-Embedded Representation LearningAuthorsAbstract（一） Introduction（二） Related Work2.1 Fine-Grained Image Classification2.2 Knowledge Representation（三）KERL Framework3.1 Review of GGNN3.2 Knowled...

原创 论文阅读——Relation-Shape Convolutional Neural Network for Point Cloud Analysis

Relation-Shape Convolutional Neural Network for Point Cloud AnalysisAuthorsAbstract（一）Introduction（二）Related Work（三）Shape-Aware Representation Learning3.1. Relation-Shape Convolution3.2 Properties3.3....

原创 三维点云语义分割【综述】 ——Deep Learning for 3D Point Clouds: A Survey

3D POINT CLOUD SEGMENTATION3D Semantic SegmentationProjection-based NetworksPoint-based NetworksInstance SegmentationProposal-based MethodsProposal-free MethodsPart SegmentationSummary3D点云分割需要了解全局几何结...

原创 论文汇报PPT——KPConv: Flexible and Deformable Convolution for Point Clouds

原创 论文阅读——KPConv: Flexible and Deformable Convolution for Point Clouds

论文阅读——KPConv（一）Abstract（二）Introduction（三）Related Work3.1 Projection networks3.2 Graph convolution networks3.3 Pointwise MLP network3.4 Point convolution networks（四）Kernel Point Convolution4.1 A Kernel...

原创 论文汇报PPT——Large-scale Point Cloud Semantic Segmentation with Superpoint Graphs

原创 2020年中国研究生数学建模竞赛C题

2020年中国研究生数学建模竞赛C题面向康复工程的脑电信号分析和判别模型背景和意义大脑是人体中高级神经活动的中枢，拥有着数以亿计的神经元，并通过相互连接来传递和处理人体信息。脑电信号按其产生的方式可分为诱发脑电信号和自发脑电信号。诱发脑电信号是通过某种外界刺激使大脑产生电位变化从而形成的脑电活动；自发脑电信号是指在没有外界特殊刺激下，大脑自发产生的脑电活动。（1）诱发脑电信号（P300脑-机接口）在日常生活中，人的大脑控制着感知、思维、运动及语言等功能，且以外围神经为媒介向身体各部分发出指令。因

原创 2020年中国研究生数学建模竞赛D题

2020年中国研究生数学建模竞赛D题无人机集群协同对抗新一代人工智能技术和自主技术快速走向战场，将催生新型作战力量，颠覆传统战争模式，未来战争必将是智能化战争。无人机集群作战作为智能作战的重要形式，正在崭露头角。通过多架无人机协同侦察、协同探测、协同跟踪、协同攻击、协同拦截等，共同完成较复杂的作战任务。现考虑红、蓝双方的无人机集群在平面区域内的协同对抗问题。蓝方作为进攻方，希望突破红方无人机的拦截，成功抵达目的地遂行军事行动；红方则希望在给定的区域内完成对蓝方无人机的拦截，阻止蓝方的突防。本赛题讨论的

原创 2020年中国研究生数学建模竞赛E题

2020年中国研究生数学建模竞赛E题探索大雾演化规律，预测大雾变化趋势能见度是气象、公路行车、飞机飞行中常见指标，单位通常是米。影响能见度的因素主要是雾和霾。众所周知，能见度对高速公路行车安全非常重要，当能见度很低时，为了行车安全，高速公路管理者通常的做法是封路。而在航空领域，习惯用跑道能见度反映机场附近雾和霾的大小，其定义为在跑道的一端沿跑道方向能辨认出跑道或接近跑道的目标物（夜间为跑道边灯）的最大距离。一般情况下，当机场能见度只有400米左右时，会禁止航班起降。当机场能见度只有600-800米左右时

原创 三维点云——数据标注

数据处理-点云数据标注欢迎使用Markdown编辑器一．标注工具功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使...

原创 机器学习——神经网络

机器学习——神经网络（一）深度学习算法原理1.1 深度学习要解决的问题1.2 深度学习应用领域2.3 计算机视觉任务（一）深度学习算法原理1.1 深度学习要解决的问题机器学习流程：数据获取特征工程（最核心的一部分）建立模型评估与应用特征工程的作用：数据特征决定了模型的上限。预处理和特征提取是最核心的。算法与参数选择决定了如何逼近这个上限。传统特征的提取方法：为...

原创 机器学习——推荐系统

机器学习——推荐系统（一）推荐系统原理分析（二）餐馆菜肴推荐系统（三）音乐推荐系统（一）推荐系统原理分析人能够对一些事物的重要特征做抽象提取，奇异值分解（Singular Value Decomposition，SVD正是机器抽象提取一些事物重要特征的方法。利用SVD，可使用小得多的数据集来表示原始数据集，这样会去除噪声数据和冗余信息。最早的SVD应用之一是信息检索。将利用SVD的方法称为隐...

原创 机器学习——关联规则

机器学习——关联规则（一）关联规则原理（二）关联规则代码实现（一）关联规则原理在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，超市也因此发现了一个规律，在购买婴儿尿布的年轻父亲们中，有30%～40%的人同时要买一些啤酒。超市随后调整了货架的摆放，把尿布和啤酒放在一起，明显增加了销售额。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联规则是寻找在同一个事件中出现的不同项的相关...

原创 机器学习——集成算法

机器学习——集成算法（一）集成算法原理1.1 Bagging模型1.2 Boosting模型（二）集成算法实验分析2.1 硬投票和软投票效果2.2 OOB袋外数据的作用2.3 特征重要性2.4 Boosting-提升策略（一）集成算法原理目的：让机器学习效果更好，单个不行，集成走起。Bagging：训练多个分类器取平均f(x)=1/M∑m=1Mfm(x)f(x)=1/M\sum_{m=1...

原创 机器学习——决策树

机器学习——决策树（一）决策树的构造3.1 信息增益1.2 划分数据集1.3 递归构建决策树（二）在 Python 中使用 Matplotlib 注解绘制树形图2.1 Matplotlib 注解2.2构造注解树（三）测试和存储分类器3.1 测试算法：使用决策树执行分类3.2 实用算法：决策树的存储（四）示例：使用决策树预测隐形眼镜类型（一）决策树的构造决策树（decision tree）是一类...

原创 机器学习——逻辑回归

机器学习——逻辑回归（一）逻辑回归原理推导（二）逻辑回归代码推导（三）逻辑回归实验分析（四）逻辑回归作业（一）逻辑回归原理推导从二元的分类问题开始讨论，将因变量(dependent variable)可能属于的两个类分别称为负向类（negative class）和正向类（positive class），则因变量 y∈0,1y\in 0,1y∈0,1，其中 0 表示负向类，1 表示正向类。逻辑...

原创 机器学习——线性回归（数学原理推导+Python代码实现+模型评估+实验分析）

机器学习——线性回归（一）线性回归原理推导1.1 模型描述1.2 梯度下降（二）线性回归代码实现（一）线性回归原理推导线性回归：用一个直线较为精确地描述数据之间的关系。这样当出现新的数据的时候，就能够预测出一个简单的值。1.1 模型描述线性回归按变量数量的多少可以分为：一元线性回归（简单线性回归）和多元线性回归。一元线性回归（有一个自变量），模型可以表示如下：y=θ0+θ1x1+εy=...

原创 Python计算机视觉编程第十章——OpenCV基础知识

Python计算机视觉编程（一）OpenCV 的 Python 接口（二）OpenCV 基础知识2.1 从图像创建图2.2 用户交互式分割2.3 显示图像及结果（三）处理视频3.1 视频输入3.2 将视频读取到 NumPy 数组中（四）跟踪4.1 光流3.2 将视频读取到 NumPy 数组中（一）OpenCV 的 Python 接口（二）OpenCV 基础知识2.1 从图像创建图2.2 用...

原创 Python计算机视觉编程第九章——图像分割

Python计算机视觉编程（一）图割（Graph Cut）1.1 从图像创建图1.2 用户交互式分割（二）利用聚类进行分割（三）变分法（一）图割（Graph Cut）1.1 从图像创建图1.2 用户交互式分割（二）利用聚类进行分割（三）变分法...

原创 Python计算机视觉编程第八章——图像内容分类

Python计算机视觉编程（一）K邻近分类法 (KNN)1.1 一个简单的二维示例1.2 用稠密 SIFT 作为图像特征1.3 图像分类：手势识别（二）贝叶斯分类器（三）支持向量机3.1 使用 LibSVM3.2 再论手势识别（四）光学字符识别4.1 训练分类器4.2 选取特征4.3 多类支持向量机4.4 提取单元格并识别字符4.5 图像校正（一）K邻近分类法 (KNN)from numpy ...