Clouds 第2页

点云 3D 天气数据增强 - Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in ... (ICCV 2021)

FogSimulationonRealLiDARPointCloudsfor3DObjectDetectioninAdverseWeather-恶劣天气下用于3D目标检测的真实LiDAR点云雾模拟（ICCV2021）摘要1.引言2.相关工作2.1不利天气对激光雷达的影响2.2恶劣天气和激光雷达模拟2.33D目标检测3.真实LiDAR点云上的雾模拟3.1激光雷达光学模型的背景3.2激光雷达雾模拟4.

77wpa·2023-06-07 22:00

Thoughts on Clouds and Trees

梦到一个卖花的人，两手空空跟我说:“人要先感到幸福才能看到玫瑰”——李诞龙总是朝气蓬勃地游荡世间千千万万处，擅长于自己所欣喜的事，不过多地干涉别人的生活，也懂得人际交往的边界。从不耀武扬威和张扬自己拥有的优势，言辞温和，与人为善，乐于助人。于枕山栖谷里经营好自己的小小生活，不为周遭所波动，向夜幕里群星璀璨的方向追求自己的理想。混沌惊雷、波澜不惊，容得下生活的不完美和不如意，也经得起世界的颠簸，将人

淘漉白掌柜·2023-04-16 09:13

莫待无花空折枝

We'llgoupinthecloudsbecausetheviewsisalitternicer.我们会一起飞入云端，只因那里风景更加独好——ZachSobiech17岁的少年ZachSobiech因癌症还有几个月就要告别这个世界，临别之前,为了延续成为一名歌手、音乐家的梦想，他录制了歌曲《Clouds

楠蔷007·2023-04-15 09:08

文献阅读: Deep Learning for 3D Point Clouds: A Survey

文献:DeepLearningfor3DPointClouds:ASurveyGuoY,WangH,HuQ,etal.Deeplearningfor3dpointclouds:Asurvey[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2020.Abstract：三个主要任务3D形状分类（3Dshapeclassificat

给个编制·2023-04-13 22:00

gateway网关

启动nacos默认以集群的模式开启nginx修改微服务注册到nacos集群上nginx代理nacos地址为localhost:81建立模块gateway导入依赖org.springframework.clouds

小母牛开飞机.·2023-04-09 07:41

消失半年后，我回来了

放假了好|久|不|见|rain,sunshine,moon,mountains,rivers,clouds,flowersandbirds小伙伴们，好久不见~当然，这一次的发文也并不是意味着公众号可以像以前一样开张

南国听雨_·2023-04-08 03:09

GEE Sentinel2-SR影像下载示例

2QAband*@param{ee.Image}imageSentinel-2image*@return{ee.Image}cloudmaskedSentinel-2image*/functionmaskS2clouds

KKK开讲啦·2023-03-29 00:15

Gilda's letter(head in the clouds)

Well,mylove,I'mtryingtomakesenseofthings...ofhowIwas,andhowIamnow.Ihavealwaysbelievedourfirstdutyistoourselves...tolivelifetothefull.ButIhavealsobeenhauntedbyanotherconviction...thateverythingispreord

成为美食家的日常·2023-03-28 17:19

I miss you with clouds in the sky, the wind beside

Imissyouwithcloudsinthesky,thewindbesidemyears,thesnowflakesinwinter.Imissyouwithgentlewhispers.Imissyouagain

tangmen·2023-03-24 23:44

H的发音

Youdidn'thearwhathesaid.Babiesloveparks,youcanshowhertheduckpond,thebluesky,clouds.Whydoeshekeepsay

Aiden拾影·2023-03-24 22:28

适合新年第一天的文案

新|年|第|一|天|rain,sunshine,moon,mountains,rivers,clouds,flowersandbirds2020，有人见尘埃，有人见星辰，不过没关系，都翻篇了。

南国听雨_·2023-03-13 21:40

Unsupervised semantic and instance segmentation of forest point clouds

ABSTRACT地面激光扫描(TLS)越来越多地用于林业应用，包括森林清查和植物生态学。可以从TLS点云中准确估计树木的生物物理特性，例如叶面积分布和木材体积。在这些应用中，先决条件是正确理解大规模点云的信息内容（即点云的语义标记），以便检索树尺度属性。目前，这一要求正在经历费力费时的手工工作。在这项工作中，我们共同解决了森林点云的语义和实例分割问题。具体来说，我们提出了一种基于称为超点图的结构的

fish小余儿·2023-02-07 12:15

【论文阅读】[ECCV 2020] PointMixup： Augmentation for Point Clouds. 2008.06374v1【一种数据增强的方式】

文章目录1.四个问题2.论文内容Abstract1Introduction2RelatedWork3Pointcloudaugmentationbyinterpolation3.1Problemsetting3.3PointMixup:Optimalassignmentinterpolationforpointclouds3.5ManifoldPointMixup:Interpolatebetwe

I"ll carry you·2023-02-04 17:56

TMI2021 :Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy Minimization for Mult

语义分割论文一、TMI2021:AdaptEverywhere:UnsupervisedAdaptationofPoint-CloudsandEntropyMinimizationforMulti-ModalCardiacImageSegmentation目录语义分割论文摘要网络结构摘要深度学习模型对领域偏移现象非常敏感。在一个领域的图像上训练的模型不能很好地概括当测试从不同的领域的图像，尽管捕获

LANG_C_·2023-02-04 09:03

Deep Learning for 3D Point Clouds: A Survey - 3D点云的深度学习：一项调查 (IEEE TPAMI 2020)

DeepLearningfor3DPointClouds:ASurvey-3D点云的深度学习：一项调查（IEEETPAMI2020）摘要1.引言2.背景2.1数据集2.2评估指标3.3D形状分类3.1基于多视图的方法3.2基于体积的方法3.3基于点的方法3.3.1逐点MLP方法3.3.2基于卷积的方法3.3.3基于图形的方法3.3.4基于分层数据结构的方法3.3.5其他方法3.4总结4.3D目标检

77wpa·2023-02-03 18:41

论文笔记-CVPR2019 Associatively Segmenting Instances and Semantics in Point Clouds

标题-AssociativelySegmentingInstancesandSemanticsinPointClouds作者-XinlongWang1ShuLiu2XiaoyongShen2ChunhuaShen1JiayaJia2;3介绍实例分割，语义分割：检测场景中由最小单位的集合代表的特定信息的区域。例如。一个点云可以分析成几组点，每个组表示一个类。或者一个单独的实例。应用点：如自动驾驶，增

BenjaminYoung29·2023-02-03 07:08

FreeFlow：Software-based Virtual RDMA Networking for Containerized Clouds

nsdi‘19CarnegieMellonuniversitygithub：https://github.com/Microsoft/Freeflow简介：主要工作为提供了一个基于软件的容器化RDMA解决方案，性能与在裸机上运行RDMA网络具有可比性。FreeFlow的核心是一个运行在每台服务器上的软件虚拟交换机，目的是将通用的RDMA网卡虚拟化。此方案与基于TCP/IP网络的容器云OVS交换机解

JennyLQ·2023-01-31 20:26

The Sniper

fadedintonight.Dublinlayenveloped（包围）indarknessbutforthedim（暗淡的）lightofthemoonthatshonethroughfleecy（毛茸茸的）clouds

王王韦王奇·2023-01-30 09:09

论文阅读：Boosting 3D Object Detection by Simulating Multimodality on Point Clouds

Boosting3DObjectDetectionbySimulatingMultimodalityonPointCloudsResponseDistillationSparse-VoxelDistillationVoxel-to-PointDistillationInstanceDistillationlossExperiments稠密（多模态、多帧）信息->稀疏（单模态点云，单帧）信息的知识蒸

zhSunw·2023-01-29 20:11

论文阅读：Boosting Single-Frame 3D Object Detection by Simulating Multi-Frame Point Clouds

BoostingSingle-Frame3DObjectDetectionbySimulatingMulti-FramePointCloudsMulti-viewdenseobjectfusionSelf-attentionvoxeldistillationSelf-attentionvoxeldistillationAdaptiveResponseDistillationEXPERIMENTST

zhSunw·2023-01-29 19:51

day3 freedom

Theexcellentdaybeginwithadeliciousbreakfast.图片发自AppSittinginfrontofthewindow,lookingatthetraffic,clouds

宋文洁bla·2023-01-29 15:26

重读经典（点云深度学习开山之作）：《Deep learning on point clouds for 3D scene understanding》(持续更新中)

本文介绍的是PointNet作者的博士论文：3D场景理解中的点云深度学习。从上图可以看到，整个博士论文主要贡献有两块：一是点云深度学习的网络架构（PointNet和PointNet++）；二是在3D场景理解中的应用（FrustumPointnets和FlowNet3D）。在本文中，将会按照博士论文篇幅顺序对PointNet和PointNet++进行一次详解介绍。关于后面两章3D场景理解中的应用感兴

自动驾驶小学生·2023-01-29 00:32

A review of point clouds segmentation and classification algorithms

背景本文对点云分割和分类算法进行整理。参考文献为：GrilliE,MennaF,RemondinoF.Areviewofpointcloudssegmentationandclassificationalgorithms[J].TheInternationalArchivesofPhotogrammetry,RemoteSensingandSpatialInformationSciences,20

the lament·2023-01-17 12:39

【论文阅读】【CVPR 2020】PointASNL ：Robust Point Clouds Processing using Nonlocal Neural Networks

文章目录1.四个问题2.论文介绍3.参考资料4.收获1.四个问题解决什么问题针对fps采样对噪声敏感的问题，提出自适应采样方法，看起来其实就是一个局部特征丰富模块受non-local的启发，使用全局范围内的上下文信息，对采样点的特征进行增强用了什么方法解决见上效果如何ModelNet10and40还存在什么问题？2.论文介绍2个模块：a+b，其中b包含了local+non-local消融实验3.参

I"ll carry you·2023-01-15 14:27

源码阅读:KPConv之Dataset类

源码阅读:KPConv之Dataset类一、config二、dataset2.1、`__init__`2.2、prepare_data2.3、load_subsampled_clouds2.4、get_batch_gen2.5

GHZhao_GIS_RS·2023-01-15 14:56

KPConv: Flexible and Deformable Convolution for Point Clouds论文笔记

论文概述1.KernelPointConvolution左边为2D卷积示意图，在对图像的做卷积时，kernel可以理解成一些带权重的规则分布的2D位置（网格/窗口）。推广到点云，因为点云表示是不规则的，所以作者用了一个带权重的点集（kernelpoints）类比2Dkernel，不同的地方是输入点云要和kernelpoints里面的每一个点的权重矩阵相乘然后通过一个相关系数(correlation

weixin_42812109·2023-01-15 14:56

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

论文地址：KPConv:FlexibleandDeformableConvolutionforPointClouds本文提出里一种新的适用于点云的卷积方式，不需要使用点云的任何其他中间表达形式（如将点云投影到2d，或使用提速网格等）这种卷积方式比固定化的网格卷积要更灵活（对于点云的分类和分割任务来说）KPConv全称KernelPointConvolution，使用一系列局部的3d卷积核，不同于网

跨越海的风·2023-01-15 14:26

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

该文发表于ICCV2019，二作是PointNet、PointNet++的作者CharlesR.Qi。该文提出专门用于点云数据处理的卷积算法KPConv（KernelPointConvolution），可用于点云分类和语义分割问题，在多个benchmark数据集上均能取得stateoftheart的效果，甚至在几个数据集上超过第二名7-8个百分点下载论文点这里KPConv:FlexibleandD

资瓷向量机·2023-01-15 14:55

根因定位论文：Root Cause Analysis of Anomalies of Multitier Services in Public Clouds

2021/01/23/Other/Root%20Cause%20Analysis%20of%20Anomalies%20of%20Multitier%20Services%20in%20Public%20Clouds

lovelife110·2023-01-12 11:02

PointConv: Deep Convolutional Networks on 3D Point Clouds

摘要图像数据通常可以表示成密集的网格形式，而三维的点云数据通常是不规则的无序的。因此，在点云数据上使用卷积是困难的。本文将动态滤波器拓展为一种新的卷积操作——PointConv。PointConv可以应用于点云进而搭建深度卷积网络。我们把卷积核视作一个作用在局部三维点坐标系上的由权重和密度函数组成的非线性函数。给定一个点，权重函数可以通过多层感知网络习得，而密度函数可以通过核密度估计来得到。本文最

lrr95·2023-01-11 19:35

【论文阅读】[CVPR 2019] PointConv： Deep Convolutional Networks on 3D Point Clouds. [cls. seg.]

论文地址：https://arxiv.org/abs/1811.07246代码：https://github.com/DylanWusee/pointconv翻译：https://blog.csdn.net/john_bh/article/details/103959200文章目录1.Abstractidea：本文贡献:介绍：参考：我的总结：1.Abstract与以规则密集网格表示的图像不同，3D

I"ll carry you·2023-01-11 19:35

【1811.07246】PointConv: Deep Convolutional Networks on 3D Point Clouds

文章目录3.参考资料3.参考资料【3D计算机视觉】PointConv——在点云上高效实现卷积操作

I"ll carry you·2023-01-11 19:35

论文笔记：[CVPR 2019] PointConv： Deep Convolutional Networks on 3D Point Clouds

[CVPR2019]PointConv：DeepConvolutionalNetworkson3DPointClouds.[tensorflow][cls.seg.]火1、四个问题解决什么问题CNN使用卷积被证明是成功的，希望将卷积操作搬到3D数据上。用什么方法解决提出了一个在3D数据上的卷积算子，称为：PointConv用了内存更加高效的办法实现PointConv在PointConv上扩展到反卷

I"ll carry you·2023-01-11 19:05

PointConv: Deep Convolutional Networks on 3D Point Clouds学习笔记

摘要在本文中，我们将动态滤波器扩展成为新的名为PointConv的卷积操作，PointConv可以用于点云数据，创建深度卷积网络。我们将卷积核视为由权重和密度函数组成的3D点的局部坐标的非线性函数。对于给定点，通过核密度估计利用多层感知机网络和密度函数来学习权重函数。这项工作最重要的贡献是提出了一种新的用于有效计算权重函数的公式，这使我们能够大幅度扩展网络并显著提高网络性能。用于计算3D空间中任何

路&客·2023-01-11 19:04

【论文阅读】3D点云 -- PointConv: Deep Convolutional Networks on 3D Point Clouds

Abstract与在规则密集网格中表示的图像不同，三维点云是不规则和无序的，因此对其应用卷积可能很困难。在本文中，我们将动态卷积扩展到一种新的卷积运算，名为PointConv。PointConv可以应用于点云，以构建深度卷积网络。我们将卷积核视为由权重函数和密度函数组成的三维点的局部坐标的非线性函数。对于给定的点，通过多层感知器网络和核密度估计的密度函数学习权函数。这项工作最重要的贡献是提出了一种

magic_ll·2023-01-11 19:34

PointConv: Deep Convolutional Networks on 3D Point Clouds （CVPR-2019）

论文：https://arxiv.org/abs/1811.07246代码：https://github.com/xautdestiny/pointconv摘要：与常规密集网格所代表的图像不同，3D点云数据是不规则且无序的，因此很难将卷积操作应用到3D点云数据。在本文中，我们将动态滤波器扩展成为新的名为PointConv的卷积操作，PointConv可以用于点云数据，创建深度卷积网络。我们将卷积核

zy_destiny·2023-01-11 19:34

论文阅读 | PointConv: Deep Convolutional Networks on 3D Point Clouds

前言：通过MLP和点密度来估计点卷积的卷积核权重的方法，发表在CVPR2019论文地址：【here】代码地址：【here】PointConv:DeepConvolutionalNetworkson3DPointClouds引言3D点云数据不像2D数据一样，有规整的网格形状，它的点是无序的，因此不太好使用卷积这篇文章解决了这个问题，我们将卷积抽象成数学的连续形式，然后扩展到3维，而MLP可以估计这个

btee·2023-01-11 19:04

Layer Stacking: A Novel Algorithm for Individual Forest Tree Segmentation from LiDAR Point Clouds

ABSTRACT随着光探测和测距(LiDAR)技术的进步，以足够高的点密度获取数据集以捕获单棵树木的结构信息已变得很普遍。要处理这些数据，需要一种从LiDAR点云中分离单个树木的自动方法。传统的树木分割方法试图从树冠高度模型中分离出突出的树冠。我们在这里介绍一种新颖的分割方法，即层堆叠，它以1米的高度间隔对整个森林点云进行切片，并在每一层中隔离树木。合并来自所有层的结果会产生具有代表性的树轮廓。与

fish小余儿·2023-01-10 06:25

论文阅读《3D Object Detection Method Based on YOLO and K-Means for Image and Point Clouds 》

目录论文链接：AbstractI.INTRODUCTIONII.3DOBJECTDETECTIONMETHODA.OverviewB.Lidar-cameracalibrationC.ImageundistortedtransformD.YOLO-baseddetectionE.PointcloudextractionF.K-meansbasedpointcloudsegmentationG.Ev

Max_ZhangJF·2023-01-07 18:33

【IJCV 2022】RIConv++: Effective Rotation Invariant Convolutions for 3D Point Clouds Deep Learning

文章目录研究旋转不变就从这里开始吧.【3DV2019】RotationInvariantConvolutionsfor3DPointCloudsDeepLearning【IJCV2022】RIConv++:EffectiveRotationInvariantConvolutionsfor3DPointCloudsDeepLearningReletework关于旋转不变的：Rao,Y.,Lu,J.,

I"ll carry you·2023-01-05 09:26

Transformers in 3D Point Clouds A Survey（翻译）

Transformersin3DPointClouds:ASurvey（翻译）卢德宁，谢倩，魏明强，高级会员，IEEE徐琳琳，会员，IEEE，李强生，高级会员，IEEE、原文链接：Transformersin3DPointClouds:ASurvey文章目录Transformersin3DPointClouds:ASurvey（翻译）I.简介II.TRANSFORMER实现A.操作规模B.操作空间

Zongshun Wang的博客·2023-01-03 12:36

(NeurIPS 2019) Learning Object Bounding Boxes for 3D Instance Segmentation on Point Clouds

Abstract我们提出了一种新颖的、概念上简单的通用框架，用于在3D点云上进行实例分割。我们的方法称为3D-BoNet，遵循每点多层感知器(MLP)的简单设计理念。该框架直接回归点云中所有实例的3D边界框，同时预测每个实例的点级（point-level）mask。它由一个主干网络和两个并行网络分支组成，用于1）边界框回归和2）点mask预测。3D-BoNet是单阶段、anchor-free和端到

fish小余儿·2022-12-31 10:28

Self-Supervised Pretraining for Large-Scale Point Clouds 论文阅读 NeurIPS2022

概述这是一篇做单模态3D无监督预训练的文章，这篇文章的动机是要通过无监督的方法训练一个3D模型，使模型获得理解3D点云数据的能力。本片文章是亚马逊人工智能实验室发表在NeurlPS2022的文章。点击论文下载原文。贡献本文在训练3D模型时，考虑了从本地信息和全局信息两个层面。本文提出了利用本地区域信息来进行自监督学习的方法在全局知识的学习中，作者设计了一个新的基于区域特征聚类的对比学习损失函数

Mikecsdn17·2022-12-30 01:55

High Fidelity Semantic Shape Completion for Point Clouds using Latent Optimization

题目：利用潜在优化方法完成点云的高保真语义的形状补全摘要在3D计算机视觉中语义形状补全是一个具有挑战性的问题，这个任务是使用一个部分3D形状作为输入产生一个完整的3D形状。作者提出了一个基于学习的方法通过生成模型和潜在的流形优化来补全不完整的3D形状。作者的算法工作直接作用与点云上。作者使用一个自编码器和一个GAN网络来学习对象类点云的嵌入分布。首先将缺失区域的输入点云编码为特征向量，然后使用组合

CXY_freshman·2022-12-29 11:36

【论文速递】PolarNet: An Improved Grid Representation for Online LiDAR Point Clouds Semantic Segmentation

摘要自动驾驶系统中对细粒度感知的需求导致最近对单扫描LiDAR的在线语义分割的研究增加。尽管出现了新的数据集和技术进步，但由于以下三个原因，它仍然具有挑战性：（1）需要有限硬件的近实时延迟；（2）LiDAR点在整个空间中的分布不均匀甚至长尾；（3）越来越多的极细粒度的语义类。为了共同解决所有上述挑战，提出了一种新的特定于LiDAR的，无近邻的分割算法-PolarNet。我们的极鸟瞰图表示法不是使用

冯子材·2022-12-25 11:32

SpringBoot 配置文件这样加密，才足够安全！

所以需要对敏感数据进行加密，这样防止密码泄露Jasypt这个库为我们解决了这个问题，实现了springboot配置的自定加密加密简单使用源码对应地址：gitlab.sea-clouds.cn/csdn/

·2022-12-25 10:38

论文笔记Point·E: A System for Generating 3D Point Clouds from Complex Prompts

之前的文本生成3D模型的方法生成一个模型需要多块GPU跑好几个小时，该文章提出的方法生成一个3D模型只需要单GPU1-2分钟。该文章生成的3D模型的质量并不是当下最好的，但是生成速度很快，因此在现实中很有意义。从文本生成3D模型的过程分为三步：用一个text-to-image的diffusionmodel从文本提示生成一幅合成视角的图片。用一个diffusionmodel将合成视角图片生成低分辨率

icylling·2022-12-23 06:18

【3D目标检测】PointPillars: Fast Encoders for Object Detection from Point Clouds

目录概述细节网络结构从点云得到伪图像骨干网络检测头损失函数概述首先，本文是基于点云，但不是将点云处理成体素，而是体柱！提出动机与贡献：比较主流的一种方式就是将点云编码成体素，但是这就使得后面需要使用3D卷积进行特征提取，开销比较大（哪怕SECOND中引入了稀疏卷积，计算量还是比2D卷积大）；另外一种思路就是从俯视角度将点云数据进行处理，得到伪图片的数据，之后使用2D卷积处理，开销小了，但是得到伪图

可乐大牛·2022-12-17 12:23

【点云系列】Unsupervised Multi-Task Feature Learning on Point Clouds

openaccess.thecvf.com/content_ICCV_2019/papers/Hassani_Unsupervised_Multi-Task_Feature_Learning_on_Point_Clouds_ICCV

^_^ 晅菲·2022-12-15 12:14

论文笔记 Walk in the Cloud: Learning Curves for Point Clouds Shape Analysis

CurveNet论文笔记1.介绍2.方法2.1预定义2.2局部聚合和curve特征的优劣2.3CurveGrouping2.4CurveAggregationandCurveNet3.结论ICCV20211.介绍很多之前的工作将目光聚焦在局部结构特征的提取上，忽略了长程点关系，而作者认为点云形状分析的远程点的特征也是有意义的，可以作为局部特征的一种补充。我们建议通过生成连续的点段序列，也就是可以看

Tony·2022-12-14 18:43

推荐频道

Clouds