- 博客(60)
- 收藏
- 关注
RSS订阅
原创 Ubuntu18.04 项目配置
这里写自定义目录标题欢迎使用Markdown编辑器新的改变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用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
2022-04-28 17:15:54
3929
原创 【记录读论文时遇到的一些算法8】Spectral-GCN和Spatial-GCN的发展历程
https://blog.csdn.net/weixin_37589575/category_10076918.html这个博主总结的真的很棒！
2022-06-23 10:05:39
375
原创 【点云处理之论文狂读前沿版13】—— GAPNet: Graph Attention based Point Neural Network for Exploiting Local Feature
记X={xi∈RF,i=1,2,…,N}X=\left\{x_{i} \in \mathbb{R}^{F}, i=1,2, \ldots, N\right\}X={xi∈RF,i=1,2,…,N}为输入point cloud set，本文中，F=3F=3F=3，表示坐标(x,y,z)(x, y, z)(x,y,z)。Local structure representation考虑到真实应用中的point cloud数量很庞大，所以利用kkk-nearest neighbor构造有向 graph G=(V,
2022-06-21 17:28:26
747
原创 【点云处理之论文狂读前沿版12】—— Adaptive Graph Convolution for Point Cloud Analysis
Graph CNNs根据点间的空间/特征相似性将point cloud表示为graph数据，并将images上的2D卷积推广到3D点上。标准的Graph CNNs通常会在每对点上使用共享权重函数抽取这对点的对应边特征，这会导致得到一个固定/同向的卷积kernel，当作用在所有点对上后，会忽略掉不同特征的对应关系。该项工作的关键贡献在于AdaptConv能够在graph卷积内使用，而不是基于结果特征的权重函数。此外，还开发了一些特征卷积设计，能够更加灵活地进行适应性卷积。记X={xi∣i=\mathcal{X
2022-06-20 14:51:58
1114
原创 【点云处理之论文狂读经典版14】—— Dynamic Graph CNN for Learning on Point Clouds
记X={x1,…,xn}⊆RF\mathbf{X}=\left\{\mathbf{x}_{1}, \ldots, \mathbf{x}_{n}\right\} \subseteq \mathbb{R}^{F}X={x1,…,xn}⊆RF为输入点云，其中nnn是点的数量，FFF是点的维度，在最简单的情况下，F=3F=3F=3，每个点都包括了3D坐标xi=(xi,yi,zi)\mathbf{x}_{i}=\left(x_{i}, y_{i}, z_{i}\right)xi=(xi,yi,zi)，在其
2022-06-16 21:39:55
2074
原创 【点云处理之论文狂读经典版13】—— Adaptive Graph Convolutional Neural Networks
本文所参考的方法将 one-hop local kernel 扩展到了 KKK-hop 连接的情况上。根据graph Fourier transform，如果UUU是LLL的graph Fourier basis集合，那么：xk+1=σ(gθ(LK)xk)=σ(Ugθ(ΛK)UTxk).x_{k+1}=\sigma\left(g_{\theta}\left(L^{K}\right) x_{k}\right)=\sigma\left(U g_{\theta}\left(\Lambda^{K}\right)
2022-06-14 21:27:00
1169
原创 【点云处理之论文狂读前沿版11】—— Unsupervised Point Cloud Pre-training via Occlusion Completion
OcCo有着如下的性质：记P\mathcal{P}P为3D欧式空间中的一组点云，P={p1,p2,…,pn}\mathcal{P}=\left\{p_{1}, p_{2}, \ldots, p_{n}\right\}P={p1,p2,…,pn}，其中每个点pip_{i}pi是包含坐标(xi,yi,zi)\left(x_{i}, y_{i}, z_{i}\right)(xi,yi,zi)和其他特征(颜色和法向量)的向量。先从occlusion mapping o(⋅)o(\cdot)o(⋅)开始
2022-06-12 21:10:58
708
原创 【点云处理之论文狂读经典版12】—— FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation
如表1所示，在decoder阶段，我们想要施加一个“虚拟的外力”，将2D网格 变形 成3D物体的表面形状，这种变形应该受到网格neighborhood相互连接的影响和约束。Auto-encoder的pipeline如图2所示。encoder的输入是一个n×3n \times 3n×3的矩阵，矩阵的每一行包含了3D点云的位置(x,y,z)(x, y, z)(x,y,z)。输出是一个m×3m \times 3m×3的矩阵，表示重建后点的位置。重建后点的数量mmm没必要与原始点云的数量nnn相同。假设输入包含了点
2022-06-11 17:17:21
685
转载 【记录读论文时遇到的一些算法7】—— 高斯混合模型（Gaussian Mixed Model）
高斯混合模型（Gaussian Mixed Model）指的是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同的分布的情况（或者是同一类分布但参数不一样，或者是不同类型的分布，比如正态分布和伯努利分布）。如图1，图中的点在我们看来明显分成两个聚类。这两个聚类中的点分别通过两个不同的正态分布随机生成而来。但是如果没有GMM，那么只能用一个的二维高斯分布来描述图1中的数据。图1中的椭圆即为二倍标准差的正态分布椭圆。这显然不太合理，毕竟肉眼一看就觉得应该把
2022-06-09 22:56:36
948
1
原创 【点云处理之论文狂读经典版11】—— Mining Point Cloud Local Structures by Kernel Correlation and Graph Pooling
本文中，以点云的local neighborhood作为source，以可学习的kernel(一组点)作为reference，从而表示局部结构/形状的type。在点云配准任务中，source和reference中的点都是固定不动的，但是本文允许reference中的点发生变化，通过学习(反向传播)的方式去更加“贴合”形状。与点云配准不同的是，我们想要通过一种非变换的方式学习reference，而不是通过最优变换的方式。通过这种方式可学习的kernel点与卷积kernel就相同了，都是在相邻区域内对每个点作出
2022-06-09 15:14:56
636
原创 【点云处理之论文狂读前沿版10】—— MVTN: Multi-View Transformation Network for 3D Shape Recognition
多视角网络的训练可以表示为：argminθC∑nNL(C(Xn),yn)=argminθC∑nNL(C(R(Sn,u0)),yn)\begin{aligned}& \underset{\boldsymbol{\theta}_{\mathbf{C}}}{\arg \min } \sum_{n}^{N} L\left(\mathbf{C}\left(\mathbf{X}_{n}\right), y_{n}\right) \\=& \underset{\boldsymbol{\theta}_{\m
2022-06-07 16:31:10
780
原创 【点云处理之论文狂读经典版10】—— PointCNN: Convolution On X-Transformed Points
假设CCC维输入特征的无序集合F={fa,fb,fc,fd}\mathbb{F}=\left\{ {{f_a},{f_b},{f_c},{f_d}} \right\}F={fa,fb,fc,fd}在图1((iii)-(iviviv))中所有的情况下都是相同的，并且有大小为4×C4 \times C4×C的kernel K=[kα,kβ,kγ,kδ]T\mathbf{K}=\left[k_{\alpha}, k_{\beta}, k_{\gamma}, k_{\delta}\right]^{T}K=[
2022-06-06 09:42:05
343
原创 【点云处理之论文狂读经典版9】—— Pointwise Convolutional Neural Networks
equivariance 与 invariance有什么区别吗？Convolution一个convolution kernel以点云中的每个点为中心。kernel中的neighbor points可以对center point产生影响。每个kernel都有一个size或radius，可以根据每个卷积层中neighbor points的数量进行调整。pointwise convolution可以表示为：xiℓ=∑kwk1∣Ωi(k)∣∑pj∈Ωi(k)xjℓ−1x_{i}^{\ell}=\sum_{k}
2022-06-04 16:22:59
925
原创 【点云处理之论文狂读前沿版9】—Advanced Feature Learning on Point Clouds using Multi-resolution Features and Learni
与2D图像相比，3D形状更复杂，3D形状的一些重要纹理和曲线只有在最高的粒度级别上才能观察到。现有的方法都是牺牲细粒度构造high-semantic特征，因此multi-resolution point features就成为了既能收集足够的语义信息，又能一定程度上保留细粒度的方法。通过现有的基于MLP方法(PointMLP)获取mmm个不同分辨率下的点特征:由于全局特征向量是从mmm个分辨率中得到的，因此它包含了high-semantic 和 high-resolution features信息。本来在每
2022-06-03 22:29:42
580
1
原创 【点云处理之论文狂读经典版8】—— O-CNN: Octree-based Convolutional Neural Networks for 3D Shape Analysis
O-CNN: Octree-based Convolutional Neural Networks for 3D Shape Analysis摘要摘要以八叉树叶子节点中的平均法向量为输入，执行3D CNN操作设计了一种新的八叉树数据结构通过限制在八叉树子节点上的计算，O-CNN的内存消耗和计算复杂度随着八叉树深度的增加呈二次增长，使得3D CNN能够处理更高分辨率的3D 模型代码详见：https://github.com/Microsoft/O-CNN...
2022-06-02 14:24:33
1434
原创 【点云处理之论文狂读前沿版8】—— Pointview-GCN: 3D Shape Classification With Multi-View Point Clouds
Pointview-GCN: 3D Shape Classification With Multi-View Point Clouds摘要1.引言2.相关工作3.方法3.1. Graph convolution and Selective View Sampling摘要绕着物体从多个视点捕获部分点云进行3D shape classificationPointview-GCN具有multi-level的Graph Convolutional Networks (GCNs)，以fine-to-coars
2022-05-27 20:28:32
1414
原创 【点云处理之论文狂读经典版7】—— Dynamic Edge-Conditioned Filters in Convolutional Neural Networks on Graphs
ECC：图卷积神经神经网络的动态边条件滤波器摘要1.引言2.相关工作3.方法3.1 Edge-Conditioned Convolution3.2 Relationship to Existing Formulations3.3. Deep Networks with ECC生词摘要背景： 许多问题都可以表示为基于graph结构数据的预测方法： 将卷积操作从网格推广到任意的graphs，同时避免了频域，能够解决不同大小和连通性的graph细节： filters的权值依赖顶点到邻域的边值；开发了用于
2022-05-25 14:16:42
898
原创 【记录读论文时遇到的一些算法8】—— 法向量
Surface normal：法向量问题定义优化方法总结带有噪声的法向量计算问题定义记 xi∈Rn,i=1,2,⋯ ,mx_{i} \in R^{n}, i=1,2, \cdots, mxi∈Rn,i=1,2,⋯,m 为数据点，找到一个平面（超平面），该平面穿过法向量为n\mathbf{n}n的点c\mathbf{c}c：minc,n,∥n∥=1∑i=1m((xi−c)Tn)2\min _{\mathbf{c}, \mathbf{n},\|\mathbf{n}\|=1} \sum_{i=1}^{
2022-05-24 10:27:15
258
原创 【记录读论文时遇到的一些算法7】—— 点云主成分分析
principal components analysis：主成分分析 PCA1.PCA2.证明3.总结4.Kernel PCA5.证明6.总结参考文献1.PCA主成分分析(Principle Component Analysis，PCA)，是一种多变量统计分析方法，也是数据降维和可视化的常用方法。PCA的原理是将原矩阵投影到一个新的正交坐标系下，且通过依次选择新坐标轴的方向，使得矩阵在新坐标轴上的投影(主成分的样本值)的方差最大2.证明输入: xi∈Rn,i=1,2,⋯ ,mx_{i} \in \
2022-05-23 23:34:29
537
原创 【点云处理之论文狂读前沿版7】—— Masked Autoencoders for Point Cloud Self-supervised Learning
Masked Autoencoders for Point Cloud Self-supervised Learning摘要1.引言摘要灵感： NLP和CV中的Masked Autoencoder应用很成功问题： 点云中存在局部信息缺失和密度不均匀的现象方法： 使用Masked Autoencoder进行点云自监督学习细节：①将输入的点云划分成不规则的点云块，以较高的比率 mask 这些块②使用基于autoencoder的标准transformer从这些未被mask的块中学习高维特征，从而重
2022-05-22 10:39:36
2023
1
原创 【记录读论文时遇到的一些算法6】—— 谱定理 & 瑞利熵
The Spectral Theorem: 谱定理 & Rayleigh Quotients: 瑞利熵1.谱定理2.瑞利熵1.谱定理假设A∈Rn,n\mathbf{A} \in R^{n, n}A∈Rn,n是一个实对称矩阵，λi∈R,i=1,2,⋯ ,n\lambda_{i} \in R, i=1,2, \cdots, nλi∈R,i=1,2,⋯,n 是 A\mathbf{A}A的特征值，ui∈Rn,i=1,2,⋯ ,nu_{i} \in R_{n}, i=1,2, \cdots, nui∈
2022-05-19 19:02:54
445
原创 【记录读论文时遇到的一些算法5】—— SVD分解
SVD（The Singular Value Decomposition）: 奇异值分解1.特征值、特征向量参考文献1.特征值、特征向量如果一个向量 xxx 是 n×nn \times nn×n 矩阵 A\mathbf{A}A 的特征向量，那么可表示成以下形式：Ax=λx\mathbf{A}x=\lambda xAx=λx其中，A\mathbf{A}A 是一个 n×nn \times nn×n 的实对称矩阵， xxx 是一个 nnn 维特征向量，λ\lambdaλ 是矩阵A\mathbf{A}A
2022-05-19 11:44:06
277
原创 【点云处理之论文狂读扩展版3】—— Non-local Neural Networks
Non-local Neural Networks摘要1.引言2.相关工作3. Non-local Neural Networks3.1. Formulation3.2. Instantiations生词摘要问题：不论是卷积还是循环操作，都是每次构建一个local neighborhood方法：提出一个non-local操作，用于捕获大范围的依赖技术细节：non-local操作将某个位置的响应计算为所有位置特征的加权和优势：plug and play应用：video classificatio
2022-05-19 10:15:26
357
原创 安装mathtype会出现的问题解决方法
https://blog.csdn.net/m0_51430625/article/details/119718258 word未找到MathPage解决方法
2022-05-18 11:40:04
1514
原创 【点云处理之论文狂读前沿版6】Surface Representation for Point Clouds
用Surface表示点云摘要1.引言2.相关工作2.1. Learning on Point Clouds2.2. Detection on Point Clouds2.3. Graphics-related Surface Representation3. Surface Representation3.1. Background3.2. Properties of RepSurf3.3. Triangular RepSurf3.3. Umbrella RepSurf3.5. Implementation
2022-05-17 20:37:08
1917
6
原创 【点云处理之论文狂读经典版6】—— Escape from Cells: Deep Kd-Networks for the Recognition of 3D Point Cloud Models
Kd-Net摘要1.引言2.相关工作3. Shape Recognition with Kd-Networks3.1 输入3.2 Processing data with Kd-networks3.3 Learning to classify3.4 Learning to retrieve3.5 Properties of Kd-networks3.6 Extension for segmentation3.7 Implementation details4.实验4.1 Shape classificati
2022-05-16 17:57:11
457
原创 【记录读论文时遇到的一些算法4】—— Matrix-Vector Multiplication
矩阵和向量相乘的一些性质[a11a21a31a12a22a32⋮⋮⋮x1Na2Na3N][x1x2x3]=[a1a2a3][x1x2x3]=x1a1+x2a2+x3a3\begin{aligned}{\left[\begin{array}{ccc}a_{11} & a_{21} & a_{31} \\a_{12} & a_{22} & a_{32} \\\vdots & \vdots & \vdots \\x_{1 N} & a_{2 N
2022-05-15 18:25:07
347
原创 【记录读论文时遇到的一些算法3】—— Vector Dot Product & Vector Cross Product
向量点乘与叉乘的概念及几何意义1. 点乘2. 叉乘参考文章1. 点乘点乘(Dot Product) 的结果是 点积，又称数量积 或 标量积（Scalar Product）。假设空间中有两个向量: a⃗=(x1,y1,z1)，b⃗=(x2,y2,z2)，a⃗\vec{a}=\left(x_{1}, y_{1}, z_{1}\right) ， \vec{b}=\left(x_{2}, y_{2}, z_{2}\right) ， \vec{a}a=(x1,y1,z1)，b=(x2,y2,z2)，
2022-05-15 17:50:51
618
原创 【点云处理之论文狂读前沿版5】APP-Net: Auxiliary-point-based Push and Pull Operations for Efficient Point Cloud Cls
APP-Net: Auxiliary-point-based Push and PullOperations for Efficient Point Cloud Classification摘要1.引言2.相关工作3.方法3.1Motivation and Discussion3.2 Auxiliary-based Push and Pull Operations3.3Local Geometry by Online Normal and Curvature EstimationOperations f
2022-05-15 15:31:49
507
原创 【点云处理之论文狂读经典版5】—— Deep Sets
Deep Sets摘要1.引言2.Permutation Invariance and Equivariance2.1 Problem Definition2.2 Structure2.3 Related Results3. Deep Sets3.1 Architecture4.实验4.1.3Point Cloud Classification生词摘要我们研究了定义在sets上的机器学习任务模型设计问题考虑了定义在sets上的目标函数，该函数是permutation-invariant的主要理论定
2022-05-12 14:45:03
1649
2
原创 【点云处理之论文狂读扩展版2】—— Transformer in Transformer
TnT：Transformer的改进版摘要1.引言2.方法2.1 Preliminaries2.2Transformer in Transformer2.3 Complexity Analysis2.4 Network Architecture3. 实验生词摘要问题：图像有着很复杂且较多的细节，以patch为单位进行划分还远不能在不同的尺度和位置上发掘目标的特征解决方法：局部patch中的attention对于构建高性能的视觉transformer也是很重要的，因此构建了一个新的架构 Transfo
2022-05-11 15:50:53
906
原创 【点云处理之论文狂读前沿版4】——Points to Patches: Enabling the Use of Self-Attention for 3D Shape Recognition
Point-TnT：用于3D形状识别的Self-attenrion方法摘要2. 引言3. 相关工作3. Method3.1 准备工作3.2 Point Transformer-in-Transformer3.3 Computational Analysis4. 实验4.1 Shape Classification4.2 Ablation Study4.3 Feature Matching on 3DMatch5. 结论摘要问题：随着点云规模的增大，Transformer(Self-attention)
2022-05-10 17:27:11
438
原创 【点云处理之论文狂读经典版4】——OctNet: Learning Deep 3D Representations at High Resolutions
OctNet：在高分辨率下学习深度3D表示摘要1. 引言2. 相关工作3. Octree Networks3.1 Hybrid Grid-Octree Data Structure摘要OctNet适用于稀疏3D数据的深度学习表示方法本文的方法能够从深度和分辨率两个方面进行卷积网络的学习利用输入数据的稀疏性，使用非平衡八叉树将空间按照层次分割，八叉树的叶子节点存储着 pooled feature representation任务：3D object classification, orientat
2022-05-09 15:07:13
1333
原创 【点云处理之论文狂读前沿版3】——Point Transformer
Point Transformer摘要1. 引言摘要研究自注意力网络在三维点云处理应用上的效果怎么样。为点云设计了自注意力层，并构造了自注意力网络。可以用于语义场景分割、目标部分检测和目标分类。1. 引言Transformer很适合处理点云，因为...
2022-05-07 15:38:08
2968
1
原创 【点云处理之论文狂读经典版3】——VoxNet: A 3D Convolutional Neural Network for Real-Time Object Recognition
VoxNet：一种用于实时目标检测的3D卷积神经网络摘要1. 引言2. 相关工作3. 方法3.1 Volumetric Occupancy Grid3.2 Reference frame and resolution3.3 Occupancy models3.4 3D Convolutional Network Layers3.5 Proposed architecture3.6 Rotation Augmentation and Voting3.7 Multiresolution Input3.8 Net
2022-05-05 16:00:29
1990
原创 【点云处理之论文狂读扩展版1】——Momentum Contrast for Unsupervised Visual Representation Learning
MoCo：用于无监督视觉表示学习的动量对比方法摘要1. 引言2. 相关工作3. 方法3.1 Contrastive Learning as Dictionary Look-up3.2 Momentum Contrast3.2.1 Dictionary as a queue3.2.2 Momentum update3.2.3 Relations to previous mechanisms3.3 Pretext Task3.3.1 技术细节3.3.1 Shuffling BN4. 实验5. 结论摘要将对
2022-05-04 18:30:49
405
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人