CVPR2020:点云弱监督三维语义分割的多路径区域挖掘 Multi-Path Region Mining for Weakly Supervised 3D Semantic Segmentation on Point Clouds 论文地址: https://openaccess.thecvf.com/content_CVPR_2020/papers/Wei_Multi-Path_Region_Mining_for_Weakly_Supervised_3D_Semantic_Segmentat

深度学*点云语义分割:CVPR2019论文阅读 Point Cloud Oversegmentation with Graph-Structured Deep Metric Learning 摘要 本文提出了一个新的超级学*框架,用于将三维点云过度分割为超点.本文将此问题转化为学*三维点的局部几何和辐射测量的深度嵌入,从而使物体边界呈现高对比度.嵌入计算使用轻量级神经网络在点的局部邻域上操作.最后,本文将点云过分集描述为一个与学*嵌入相关的图划分问题.这种新方法允许本文在密集的室内数据集(S3D

CVPR2020:4D点云语义分割网络(SpSequenceNet) SpSequenceNet: Semantic Segmentation Network on 4D Point Clouds 论文地址: https://openaccess.thecvf.com/content_CVPR_2020/papers/Shi_SpSequenceNet_Semantic_Segmentation_Network_on_4D_Point_Clouds_CVPR_2020_paper.pdf 摘要

程明明(南开大学):面向开放环境的自适应视觉感知 (图片来自valse2019程明明老师ppt) 面向识别与理解的神经网络共性技术 深度神经网络通用架构 -- VggNet(ICLR'15).ResNet(CVPR'16).DenseNet(CVPR'17).DLA(CVPR'18).Res2Net()富尺度空间的深度神经网络通用架构 富尺度空间的深度神经网络通用架构 网络结构: 应用:检测任务.分类任务.分割任务 通用视觉基元属性感知 显著性物体检测技术 A Simple Pooling-Ba

论文提出伪监督目标定位方法(PSOL)来解决目前弱监督目标定位方法的问题,该方法将定位与分类分开成两个独立的网络,然后在训练集上使用Deep descriptor transformation(DDT)生成伪GT进行训练,整体效果达到SOTA,论文化繁为简,值得学习   来源:晓飞的算法工程笔记 公众号 论文: Rethinking the Route Towards Weakly Supervised Object Localization 论文地址:https://arxiv.org/abs

前言 本文提出了一种新的弱监督多标签分类(WSML)方法,该方法拒绝或纠正大损失样本,以防止模型记忆有噪声的标签.由于没有繁重和复杂的组件,提出的方法在几个部分标签设置(包括Pascal VOC 2012.MS COCO.NUSWIDE.CUB和OpenImages V3数据集)上优于以前最先进的WSML方法.各种分析还表明,方法的实际效果很好,验证了在弱监督的多标签分类中正确处理损失很重要. 欢迎关注公众号CV技术指南,专注于计算机视觉的技术总结.最新技术跟踪.经典论文解读.CV招聘信息. ​

0 引言 最近项目中用到了基于PCL开发的基于平面的点云和CAD模型的配准算法,点云平面提取采用的算法如下. 1 基于PCL的点云平面分割拟合算法 2 参数及其意义介绍 (1)点云下采样 1. 参数:leafsize 2. 意义:Voxel Grid的leafsize参数,物理意义是下采样网格的大小,直接影响处理后点云密集程度,并对后期各种算法的处理速度产生直接影响. 3. 值越大,点云密度越低,处理速度越快:值越小,点云密度越高,处理速度越慢.通常保持这个值,使得其他的与点数有关的参数可以比较

Adversarial Learning for Semi-Supervised Semantic Segmentation 论文原文 摘要 创新点:我们提出了一种使用对抗网络进行半监督语义分割的方法. 在传统的GAN网络中,discriminator大多是用来进行输入图像的真伪分类(Datasets里面sample的图片打高分,generator产生的图片打低分),而本文设计了一种全卷积的discriminator,用于区分输入标签图中各个像素(pixel-wise)的分类结果是ground

论文原文原文地址 Motivations 传统的训练方式需要针对不同 domain 的数据分别设计模型,十分繁琐(deploy costs) 语义分割数据集标注十分昂贵,费时费力 Contributions 本文提出的统一模型可以实现跨领域统一训练 模型使用少量的标注数据和大量未标注数据(半监督模型) 网络架构/方法实现 基本结构:一个encoder和n个decoder(decoder数量和domain的数量相同) 基本设定:假设共有两个数据集domainA和domainB,每个domain中都

Semi-Supervised Semantic Segmentation with High- and Low-level Consistency TPAMI 2019 论文原文 code 创新点: 利用两个分支结构分别处理low-level和high-level的特征,进行半监督语义分割 网络结构 上分支:Semi-Supervised Semantic Segmentation GAN (s4GAN) 下分支:Multi-Label Mean Teacher (MLMT) s4GAN 训练

该算法在RANSAC和空间检索树的基础上实现的. 算法思路: 1.点云抽希.法线估计 2.出局点索引存储声明 3.平面检测 for (size_t i = 0; i < cloudTemp->points.size(); i++) { 判断为出局点: if (检索一定量的临近点) { 判断搜索点集是否符合要求: 存储搜索的点集 : } RANSAC平面拟合(ransac计算平面模型参数): 判断平面拟合的正确性: /* * 利用拟合平面 计算点云到该面距离, 设置容差  判断点云是否在平面内

写在前面:一篇魏云超博士的综述论文,完整题目为<基于DCNN的图像语义分割综述>,在这里选择性摘抄和理解,以加深自己印象,同时达到对近年来图像语义分割历史学习和了解的目的,博古才能通今!感兴趣的请根据自己情况找来完整文章阅读学习. 图像的语义分割是计算机视觉中重要的基本问题之一,其目标是对图像的每个像素点进行分类,将图像分割为若干个视觉上有意义的或感兴趣的区域,以利于后续的图像分析和视觉理解．近年来,深度卷积神经网络(Deep Convolutional Neural Network, DCN

目录 摘要 1.引言: 2.背景 2.1 数据集 2.2评价指标 3.3D点云分割 3.1 3D语义分割 3.1.1 基于投影的方法 多视图表示 球形表示 3.1.2 基于离散的方法 稠密离散表示 稀疏的离散表示 3.1.3 混合方法 3.1.4 基于点的方法 逐点MLP方法 点卷积方法 基于RNN方法 基于图方法 3.2 实例分割 3.2.1 基于候选框的方法 3.2.2 不需要候选框的方法 3.3 部件分割 3.4 总结 4. 结论 3D点云深度学习:综述(3D点云分割部分) Deep Le

3D点云深度学* 在自动驾驶中关于三维点云的深度学*方法应用.三维场景语义理解的方法以及对应的关键技术介绍. 1. 数据 但是对于3D点云,数据正在迅速增长.大有从2D向3D发展的趋势,比如在opencv中就已经慢慢包含了3D点云的处理的相关模块,在数据方面点云的获取也是有多种渠道, 无论是源于CAD模型还是来自LiDAR传感器或RGBD相机的扫描点云,无处不在. 另外,大多数系统直接获取3D点云而不是拍摄图像并进行处理.因此,在深度学*大火的年代,应该如何应用这些令人惊叹的深度学*工具,在3D

3D点云点云分割.目标检测.分类 原标题Deep Learning for 3D Point Clouds: A Survey 作者Yulan Guo, Hanyun Wang, Qingyong Hu, Hao Liu, Li Liu, and Mohammed Bennamoun 原文参考链接:https://arxiv.org/abs/1912.12033 导读 3D点云学*( Point Clouds)作为*年来的研究热点之一,受到了广泛关注,每年在各大会议上都有大量的相关文章发表.当前

论文提出引入少数超大卷积核层来有效地扩大有效感受域,拉近了CNN网络与ViT网络之间的差距,特别是下游任务中的性能.整篇论文阐述十分详细,而且也优化了实际运行的表现,值得读一读.试一试   来源:晓飞的算法工程笔记 公众号 论文: Scaling Up Your Kernels to 31x31: Revisiting Large Kernel Design in CNNs 论文地址:https://arxiv.org/abs/2203.06717 论文代码:https://github.com

论文题目是STC,即Simple to Complex的一个框架,使用弱标签(image label)来解决密集估计(语义分割)问题. 2014年末以来,半监督的语义分割层出不穷,究其原因还是因为pixel级别的GroundTruth太难标注,因此弱监督成了人们研究的一个热门方向. 作者的核心思想是提出了层层递进的三个DCNN. 具体来讲,作者一共训练了三个网络:Initial DCNN.Enhanced DCNN和Powerful DCNN.分别解释如下: 1 . Initial DCNN:

上一次发博客已经是9月份的事了....这段时间公司的事实在是多,有写博客的时间都拿去看paper了..正好春节回来写点东西,也正好对这段时间做一个总结. 首先当然还是好好说点这段时间的主要工作:语义分割.semantic segmentation 应该是DL这几年快速发展的最重要的领域之一了,但可惜的事,在这方面大家走的并不是很远,还是有很多值得改进的地方,这当然是个很好的事情,特别是我这种想发paper弱渣..... 语义分割做的是什么事呢? 就是给你一张图,你要对其中的每个pixel做分类,

目录 摘要 一.引言 二.相关工作 3D数据表示 点云深度学习 三.我们的方法 3.1 自适应特征调整(AFA)模块 3.1.1 影响函数fimp 3.1.2 关系函数frel 3.1.3 逐元素影响图 3.2带有局部特征调制的PointWeb 四.实验评估 4.1 应用细节 4.2 S3DIS语义分割 数据和度量 性能比较 消融研究 特征可视化 4.3 ScanNet语义体素标记 4.4 ModelNet40 分类 五.结束语 PointWeb: Enhancing Local Neighbo

目录 一. 存在的问题 1.提取局部特征的能力 2.点云密度不均问题 二.解决方案 1.改进特征提取方法: (1)采样层(sampling) (2)分组层(grouping) (3)特征提取层(feature learning) 2.解决点云密度不均问题: (1)多尺度分组(MSG) (2)多分辨率分组(MRG) 三.网络结构 四.实验 4.1欧式度量空间中的点云分类 4.2语义场景标注的点集分割 4.3非欧几里德度量空间中的点集分类 4.4特征可视化 五.总结及存在的问题 六.代码解读 Poi