zoukankan      html  css  js  c++  java
  • [论文笔记]RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds


    针对目前点云分割存在速度慢、显存需求大的问题,该文提出以一种高效率学习的方法。从论文的结果来看,该文不仅在计算时间和计算资源上大幅缩减,分割效果也是达到甚至超过了SOTA。

    采样

    大规模点云处理的一个挑战在于如何快速且有效地进行采样,从而加速应用所需的时间和计算资源。针对这个问题,本文的一个贡献在于比对了现有方法的效率,结论是尽管最远点采样是最流行的作法,但是对于LiDAR数据,每一帧上万个点需要处理,随机采样是最适合的,速度快并且performance也不错。但是随机采样可能会丢失重要的点,所以作者提出Local Feature Aggregation。

     Local Feature Aggregation

    该部分能并行处理点,包含三个units:1) local spatial encoding (LocSE), 2) attentive pooling, and 3) dilated residual block.

    Local Spatial Encoding

    对于每个采样点,在原所有点云中找其KNN个临近点(欧氏距离);再将该点和临近点以及他们之间的差concatenate并用MLP学习得到相对位置

     每个采样点得到相对位置后,将其和该点的特征concate,得到该点的一系列最终的增强采样点,组成一个向量。

    Attentive Pooling

    用attention的方式取代max/mean pooling进行特征融合

    Dilated Residual Block

    多层叠加

     整个网络结构

  • 相关阅读:
    25-javaweb接入支付宝支付接口
    4-js 函数
    24-filter-拦截器
    23-新建maven 项目
    22-maven-安装与配置
    15-matlab矩阵运用
    2018.7.18 div,section,article的区别和使用
    2018.7.17 牛客网训练
    2018.7.16常用推荐算法
    2018.7.15 解决css中input输入框点击时去掉外边框方法
  • 原文地址:https://www.cnblogs.com/xiaoaoran/p/12342144.html
Copyright © 2011-2022 走看看