厦门 网站 开发,企业网站建设数据现状分析,购物网站图片素材,网站建设php教程视频Date#xff1a;2020-11-23作者#xff1a;三弟来源#xff1a;GRNet网络#xff1a;3D网格进行点云卷积#xff0c;实现点云补全Gridding Residual Network for Dense Point Cloud Completion在点云分割方面#xff0c;有一些方法尝试通过更通用的卷积操作来捕捉点云的空…Date2020-11-23作者三弟来源GRNet网络3D网格进行点云卷积实现点云补全Gridding Residual Network for Dense Point Cloud Completion在点云分割方面有一些方法尝试通过更通用的卷积操作来捕捉点云的空间关系。但是之前的方法都是基于一个强烈的假设即输出点与输入点的三维坐标的相同因此不能用于三维点云补全。为了解决上述问题我们引入3D网格作为中间的表征来规范化无序点云从而明确地保留了点云的结构和背景。因此我们提出了一种新的点云完成的网格化残差网络(GRNet)。除了3D CNN和MLP我们设计了三个可微层。Gridding, Gridding Reverse, 和三次特征采样。在Gridding中对于点云中的每个点该点所在的三维网格单元的八个顶点先使用插值函数进行加权该函数明确地测量了几何学上的点云的关系。然后引入了3D网格作为中间表示来规整无序点云它明确地保留了点云的结构和局部关系。接下来Gridding Reverse将输出的三维网格转换为粗点云将每个三维网格单元替换为一个新点其坐标为三维网格单元八个顶点的加权和。接下来的三次特征采样通过将该点所在的三维网格单元对应的八个顶点的特征进行串联提取粗点云中每个点的特征。粗点云和特征送入到MLP得到最终补全的点云。本文的贡献如下。我们创新性地引入了3D网格作为中间表征来规范化无序点云明确地保留了点云的结构和背景下的点云。我们提出了一种新型的用于点云完成的网格化剩余网络(GRNet)。我们设计了三个可区分的层。Gridding, Gridding Reverse, and Cubic Feature Sampling, as well as a new Gridding Loss.在ShapeNet、 Completion3D和KITTI基准上进行了广泛的实验结果表明所提出的GRNet与最先进的方法相比表现良好。网格残差网络GRNet 在以粗糙到精细的方式从不完整的点云中恢复完整的点云。 它由五个部分组成分别是网格化、3D卷积神经网络、反向网格化、立方特征采样和多层感知器如图1所示。网格化3D卷积神经网络逆网格化三次特征采样在 GRNet 中三次特征采样通过 3DCNN 前三个转置卷积层从特征图中提取点特征。为了减少特征的冗余并生成固定数量的点我们从粗糙点云 中随机采样2,048个点。所以它会生成大小为2048×1792的特征图。多层感知器网格损失实验作者在 ShapeNet、Completion3D 和 KITTI 三个数据及分别进行了实验并且与 PCN 等方法进行了比较。在度量指标上作者认为只用 Chamfer 距离不能客观的评价补全的点云事实上 Chamfer 距离在数值上及时较低预测的点云可能并没有一个很好的分布因此作者同时考虑了用 F-Score 作为量化指标。量化指标数据集ShapeNet最初在 ShapeNet 数据集是 PCN 的工作由来自8个类别的30,974个3D模型组成。真实值在网格表面上均匀采样 16,384个点。部分点云是通过反投影2.5D深度映射到3D。Completion3DCompletion3D 实验机[11]由28,974个和800个样本分别进行训练和验证。与 PCN 方法的ShapeNet 数据集不同的是真实点云上只有2,048个点。在 ShapeNet 上可视化结果最左边是输入最右侧是 Groud Truth倒数第二列是本文 GRNet 的结果。KITTIKITTI 数据集由现实世界的 Velodyne LiDAR扫描序列组成也是从 PCN 中获得。对于每一帧汽车是根据3D边界框提取的从而获得 2,401个局部点云。KITTI中的局部点云非常稀疏并且不有完整的点云作为真实值。在 KITTI 雷达扫描的可视化结果。更多干货欢迎加入【3D视觉工坊】交流群方向涉及3D视觉、计算机视觉、深度学习、vSLAM、激光SLAM、立体视觉、自动驾驶、点云处理、三维重建、多视图几何、结构光、多传感器融合、VR/AR、学术交流、求职交流等。工坊致力于干货输出为3D领域贡献自己的力量欢迎大家一起交流成长~添加小助手微信CV_LAB备注学校/公司姓名研究方向即可加入工坊一起学习进步。
