Clouds 第3页

【云原生系统故障检测论文学习】—— Going through the Life Cycle of Faults in Clouds: Guidelines on Fault Handling

软件可靠性工程国际会议(InternationalSymposiumonSoftwareReliabilityEngineering,ISSRE)专注于评估、预测和改善软件产品可靠性、安全性，包括前沿理论方法与创新技术工具，是软件可靠性工程领域的旗舰国际会议，也是中国计算机学会（CCF）推荐的B类国际会议AbstractFaults是破坏云系统高可用性的主要原因，甚至导致停机成本高昂。随着云的规模

雨落俊泉·2022-12-14 10:46

【论文阅读】【弱监督-3D目标检测】Weakly Supervised 3D Object Detection from Point Clouds

前言ACMMM2020录用的一篇文章。不使用任何真实的3D框来进行训练。通过采用归一化的点云密度来生成目标候选框。不过性能一般，算是第一个吃螃蟹的人MIT和微软合作的论文，模型简称为VS3D论文地址：https://arxiv.org/pdf/2007.13970.pdfCode地址：https://github.com/Zengyi-Qin/Weakly-Supervised-3D-Object

辉之所向·2022-12-09 15:14

【论文阅读】【Arxiv 2022.02】Unsupervised Representation Learning for Point Clouds: A Survey

文章目录Abstract1INTRODUCTION2BACKGROUND2.1Basicconcepts3POINTCLOUDDATASETS4COMMONDEEPARCHITECTURESFORPOINTCLOUDLEARNING5UNSUPERVISEDPOINTCLOUDREPRESENTATIONLEARNING(无监督的点云representationlearning)5.1Genera

I"ll carry you·2022-12-09 07:19

【论文阅读】【三维目标检测】StarNet: Targeted Computation for Object Detection in Point Clouds

文章目录StarNetCenterselectionFeaturizinglocalpointcloudsAfterConstructingfinalpredictionsfromboundingboxproposals实验讨论StarNet:TargetedComputationforObjectDetectioninPointCloudsWaymo出品，2019年12月更新StarNet文中强

麒麒哈尔·2022-12-08 13:50

Spatio-temporal Self-Supervised Representation Learning for 3D Point Clouds

Spatio-temporalSelf-SupervisedRepresentationLearningfor3DPointClouds摘要到目前为止，各种3D场景理解任务仍然缺乏实用和可推广的预训练模型，这主要是由于3D场景理解的复杂性质及其由相机视图、照明、遮挡等带来的巨大变化。在本文中，我们通过引入时空表示学习（STRL）框架来应对这一挑战，能够以自我监督的方式从未标记的3D点云学习。受婴儿

CodeWanted·2022-12-06 11:53

点云补全综述 Comprehensive Review of Deep Learning-Based 3D Point Clouds Completion Processing and Analys

点云补全(点云完成)综述（PointCloudsCompletion）By人工智能社区www.studyai.comComprehensiveReviewofDeepLearning-Based3DPointCloudsCompletionProcessingandAnalysisBenFei,WeidongYang,WenmingChen,ZhijunLi,YikangLi,TaoMa,Xing

北岭狼人·2022-12-04 10:24

(CVPR 2019)PointPillars: Fast Encoders for Object Detection From Point Clouds

Abstract点云中的目标检测是许多机器人应用（例如自动驾驶）的重要方面。在本文中，我们考虑将点云编码为适合下游检测管道的格式的问题。最近的文献提出了两种类型的编码器；固定编码器往往速度很快，但牺牲了准确性，而从数据中学习的编码器更准确，但速度较慢。在这项工作中，我们提出了PointPillars，这是一种新颖的编码器，它利用PointNets来学习以垂直列（柱体）组织的点云的表示。虽然编码的特

fish小余儿·2022-12-02 03:57

《4DenoiseNet: Adverse Weather Denoising from Adjacent Point Clouds》

《4DenoiseNet:AdverseWeatherDenoisingfromAdjacentPointClouds》一、引言：（阐述研究的动机，说明研究的目的）问题：恶劣天气下导致激光雷达点云会丢失并离散。影响：对下游的感知算法的影响（建图缺损，漏检误检…）。//进行研究的动机或背景这项研究的意义或目的：为下游的算法（建图，定位，目标检测，导航）提供干净、鲁棒的激光雷达数据。//研究工作的目的

CCChester·2022-11-29 05:41

三维目标检测论文阅读：PIXOR: Real-time 3D Object Detection from Point Clouds

PIXOR:Real-time3DObjectDetectionfromPointClouds论文链接：http://www.cs.toronto.edu/~wenjie/papers/cvpr18/pixor.pdf代码链接：https://github.com/Yachao-Zhang/PIXOR摘要：本文是18年CVPR，时间比较久了网上解读版本很多，本文只是记录一下在阅读论文时感觉比较重要

疯子_Zhang·2022-11-26 22:24

End-to-End Multi-View Fusion for 3D Object Detection in Lidar Point Clouds论文笔记

End-to-EndMulti-ViewFusionfor3DObjectDetectioninLidarPointClouds谷歌2019先验知识：1).在鸟瞰图BEV中，物体保持其规范的三维形状信息，并自然可分离，而透视图的缺点是对象的形状不是距离不变的。2).VoxelNet的体素化被称为硬体素化（hardvoxelization，HV），因为一个体素可能被分配了比它的固定点容量T所允许的更

Rolandxxx·2022-11-26 22:22

【论文笔记】PIXOR: Real-time 3D Object Detection from Point Clouds

1、概述本文在自动驾驶的背景下，研究了基于点云的三维物体实时检测问题。我们解决了自主驾驶环境中点云实时三维物体检测的问题。因为物体检测是自动驾驶安全的必要组成部分，而其中检测速度至关重要。然而点云的数据维度高，现有方法计算量很大。本文通过鸟瞰图（BEV）来表示场景，从而更有效地利用3D数据，并且提出PIXOR模型，一种无建议的单级检测器，基于像素级神经网络进行三维物体估计。文章在输入的表示、网络结

Elodier·2022-11-26 22:52

【r-GAN】论文翻译 - Learning Representations and Generative Models for 3D Point Clouds

摘要：三维几何数据为研究表示学习和生成建模提供了一个很好的领域。在本文中，我们研究用点云表示的几何数据。介绍了一种具有最先进的重构质量和泛化能力的deepAutoEncoder(AE)网络。学习表示在三维识别任务上优于现有方法，通过简单的代数操作实现了形状编辑，如语义部分编辑、形状类比、形状插值以及形状补全。我们对不同的生成模型进行了深入的研究，包括在原始点云上运行的GANs、在我们AEs的固定潜

xiaoyaolangwj·2022-11-26 20:05

论文翻译 | KPConv: Flexible and Deformable Convolution for Point Clouds

论文翻译：KPConv:FlexibleandDeformableConvolutionforPointClouds论文：KPConv:FlexibleandDeformableConvolutionforPointClouds代码地址：【here】摘要我们提出了一种核点卷积KPConv，一种新型的点卷积的方式，它可以在点云上工作而不需要任何的中间表示。KPConv这种卷积的权重通过核点来定位到欧

btee·2022-11-24 20:55

【论文阅读】【ICCV 2021】CurveNet：Walk in the Cloud： Learning Curves for Point Clouds Shape Analysis

文章目录1.四个问题2.论文内容3.参考资料4.收获1.四个问题解决什么问题近年来有很多工作设计了高效的点云特征提取算子，对局部和全局的模式进行响应。然而却鲜有方法专注于捕获点云物体的形状和几何特征。隐示的几何特征表达有助于完善整个点云物体的表征，使得在下游基础任务中达到更精确的效果。用什么方法解决本文提出了一种长距离的点云特征提取算子，通过在与点云同构图(isomorphicgraph)上进行有

I"ll carry you·2022-11-22 19:53

论文阅读笔记： (2020.01 cvpr) ImVoteNet: Boosting 3D Object Detection in Point Clouds with Image Votes

paper:https://arxiv.org/abs/2001.10692https://arxiv.org/abs/2001.10692官方实现：GitHub-saic-vul/imvoxelnet:[WACV2022]ImVoxelNet:ImagetoVoxelsProjectionforMonocularandMulti-ViewGeneral-Purpose3DObjectDetect

chaoqinyou·2022-11-22 19:42

ICCV2021|生成带雾的点云数据：Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weat

本文贡献：开发一种有效的雾模拟方法，适用于所有lidar数据集。能够有效获取大规模带雾的数据。通过实验论证提出的雾模拟可以用来显著提升有雾状态下的3D对象检测。介绍：已有数据集：激光雷达在近红外光谱（850and903to905nmwavelength）穿不过水滴。直到最近，加拿大不利驾驶条件(CADC)数据集[28]和透视雾(STF)数据集[2]才解决了此类评估的需求。CADC侧重于降雪，而ST

长星照耀十三州府ˇKris·2022-11-22 19:06

【文献翻译CVPR2022】SoftGroup for 3D Instance Segmentation on Point Clouds

点云三维实例分割的软分组目录点云三维实例分割的软分组摘要1简介2相关工作3方法3.1逐点预测网络3.2软分组3.3自上而下的精细化3.4多任务学习4实验4.1实验设置4.2基准结果4.3定性分析4.4.消融实验5结论References原文链接：https://arxiv.org/pdf/2203.01509v1.pdf免责声明：此文献是博子为了自己学习方便从CVPR2022原文翻译而来，顺手发个

小牛iiii·2022-11-22 08:05

【论文阅读】3D点云 -- VoteNet：Deep Hough Voting for 3D Object Detection in Point Clouds

前言该篇论文是对3D室内点云进行目标检测的方法的研究。我们对该篇论文需要掌握的是了解霍夫投票，知道votenet中如何应用了霍夫投票的思想，投票带来的改善网络结构中的模块的设计，以及分别获取了信息：种子点、投票点、投票聚类（翻译与投票簇指的同一意思）、投票提案（投票预测）、结果解析以及NMS后处理lossfunction的设计Abstract【已有3D目标检测方法】当前的三维目标检测方法受到二维探

magic_ll·2022-11-22 04:05

论文翻译《Complex-YOLO: An Euler-Region-Proposal for Real-time 3D Object Detection on Point Clouds》

AbstractLidarbased3Dobjectdetectionisinevitableforautonomousdriving,becauseitdirectlylinkstoenvironmentalunderstandingandthereforebuildsthebaseforpredictionandmotionplanning.Thecapacityofinferencinghi

Max_ZhangJF·2022-11-22 04:01

论文翻译：Learning Representations and Generative Models for 3D Point Clouds

摘要：三维几何数据为研究表示学习和生成建模提供了一个很好的领域。在本文中，我们研究用点云表示的几何数据。介绍了一种具有最先进的重构质量和泛化能力的deepAutoEncoder(AE)网络。学习表示在三维识别任务上优于现有方法，通过简单的代数操作实现了形状编辑，如语义部分编辑、形状类比和形状插值以及形状补全。我们对不同的生成模型进行了深入的研究，包括在原始点云上运行的GANs、在我们AEs的固定潜

计算机小白学习中·2022-11-21 04:23

(CVPR 2020) RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds

Abstract我们研究了大规模3D点云的有效语义分割问题。通过依赖昂贵的采样技术或计算量大的预处理/后处理步骤，大多数现有方法只能在小规模点云上进行训练和操作。在本文中，我们介绍了RandLA-Net，这是一种高效且轻量级的神经架构，可直接推断大规模点云的每点语义。我们方法的关键是使用随机点采样而不是更复杂的点选择方法。尽管计算和内存效率非常高，但随机抽样可能会偶然丢弃关键特征。为了克服这个问题

fish小余儿·2022-11-20 11:11

阅读笔记2DPASS: 2D Priors Assisted SemanticSegmentation on LiDAR Point Clouds LiDAR

题目：2DPASS:2DPriorsAssistedSemanticSegmentationonLiDARPointCloudsECCV2022。建议打开csdn右侧目录栏，部分个人理解和觉得重要内容有加粗表示，其余内容主要是机器翻译。如果对整个领域比较熟悉直接从第三章开始看就行。主要贡献：2D先验辅助语义分割(2DPASS)+多尺度融合到单知识蒸馏(MSFSKS)策略原文下载链接：https:/

shiyueyueya·2022-11-20 03:29

Adaptive Feature Fusion for Cooperative Perception using LiDAR Point Clouds

挑战：目前视觉感知技术的局限性，如有限的分辨率、天气影响和盲点。协同感知使网联无人车（CAV）、路边设施在通信范围内使用车辆通信（VC）系统共享感知信息，包括GPS和各种传感器数据（雷达，相机和激光雷达数据）。CAV可以接收并汇总来自其他CAV的信息和自己的本地感知数据，以实现协同感知提高自动驾驶系统的安全性和稳定性。3ProposedFramework提出的基于特征融合的协同感知网络结构是从Po

superbzhoucc·2022-11-19 08:53

JSNet: Joint Instance and Semantic Segmentation of 3D Point Clouds

Abstract在本文中，我们提出了一种新的联合实例和语义分割方法，称为JSNet，以同时解决3D点云的实例和语义分割。首先，我们建立了一个有效的骨干网络来从原始点云中提取鲁棒的特征。其次，为了获得更多的判别特征，提出了一种点云特征融合模块来融合骨干网络的不同层特征。此外，开发了一个联合实例语义分割模块，将语义特征转换为实例嵌入空间，然后将转换后的特征与实例特征进一步融合，以方便实例分割。同时，该

fish小余儿·2022-11-15 17:45

Deep Learning for 3D Point Clouds: A Survey

摘要点云学习最近因其在计算机视觉、自动驾驶和机器人技术等许多领域的广泛应用而受到越来越多的关注。作为人工智能的主导技术，深度学习已成功用于解决各种二维视觉问题。然而，由于使用深度神经网络处理点云所面临的独特挑战，点云的深度学习仍处于起步阶段。最近，点云的深度学习变得更加蓬勃发展，提出了许多方法来解决该领域的不同问题。为了激发未来的研究，本文全面回顾了点云深度学习方法的最新进展。它涵盖了三个主要任务

fish小余儿·2022-11-09 20:16

RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 学习笔记

这篇paper的目的：为了解决随机采样带来的弊端，提出局部特征聚合模型（localfeatureaggregationmodule）Abstract我们研究了大规模三维点云的有效语义分割问题。通过依赖昂贵的采样技术或计算繁重的预处理/后处理步骤，现在大多数现有的方法只能在小规模点云上进行训练和操作。在本文中，我们介绍了一种高效、轻量级的神经结构RandLA-Net，用于直接推断大规模点云的每点语义

Enzo 想砸电脑·2022-10-20 23:10

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

Abstract与以规则密集网格表示的图像不同，3D点云是不规则且无序的，因此对它们应用卷积可能很困难。在本文中，我们将动态滤波器扩展到一个新的卷积操作，名为PointConv。PointConv可以应用于点云来构建深度卷积网络。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。对于给定的点，权函数通过多层感知器网络和密度函数通过核密度估计来学习。这项工作最重要的贡献是提出了一种

fish小余儿·2022-09-06 07:16

论文阅读“FoldingNet: Interpretable Unsupervised Learning on 3D Point Clouds”

FoldingNet:InterpretableUnsupervisedLearningon3DPointClouds详细信息1.摘要2.问题3.思路4.方法graph-based编码器Folding-based解码器5.平台6.验证7.评价详细信息CVPR2018YaoqingYang,ChenFeng,YiruShen,DongTian1.摘要最近直接处理点集中的点的深度网络，例如PointN

zycongzz·2022-08-30 07:17

spring cloud alibaba gateway nacos 503错误代码

org.springframework.bootspring-boot-starterorg.springframework.cloudspring-cloud-starter-gateway3.0.2org.springframework.bootspring-boot-starter-testtest我在父组件中加入的nacos的相关依赖如下：com.alibaba.clouds

FH-Admin·2022-08-07 08:54

CenterFace解读轻量级anchor_free人脸检测器

论文地址：https://arxiv.org/ftp/arxiv/papers/1911/1911.03599.pdfgithub地址：https://github.com/Star-Clouds/centerface

ckqsars·2022-07-14 21:59

Dynamic Graph CNN for Learning on Point Clouds(DGCNN)论文阅读笔记——核心思想：EdgeConv细析

DGCNN前言与声明因为关心的领域主要是配准，对于分类等网络的架构设计分析并没有侧重太多，主要侧重的是EdgeConv的思想。文中图片全部来自于PointNet，PointNet++，DGCNN论文中的配图。若有侵权请联系笔者删除。转载请标明出处，谢绝商业转载。论文DynamicGraphCNNforLearningonPointCloudsWang,YueandSun,Yongbin...核心思

Codefmeister·2022-06-01 13:37

【3D目标检测】PointPillars: Fast Encoders for Object Detection from Point Clouds论文解读（2019）

1、为什么要做这个研究（理论走向和目前缺陷）?VoxelNet只有4.4fps,SECOND虽然能达到20fps，但还有提升空间。2、他们怎么做这个研究（方法，尤其是与之前不同之处）?算是对SECOND的加速版，将原来3D体素网格的编码方式改为2D立柱方式，且改用2D卷积而非3D卷积处理。还有一些其他的加速操作，比如特征降维，tensorRT等。3、发现了什么（总结结果，补充和理论的关系）?效果和

蓝田生玉123·2022-03-21 07:36

【论文阅读】CVPR 2019| PointPillars: 基于点云的快速编码目标检测框架(Fast Encoders for Object Detection from Point Clouds)

0.前言英文标题：PointPillars:FastEncodersforObjectDetectionfromPointClouds发表单位：nuTonomy，一家从麻省理工学院分离出来的创业公司开发的无人驾驶出租车公司。发表时间：2019年5月7日论文地址：https://arxiv.org/abs/1812.05784源码链接：https://github.com/nutonomy/seco

非晚非晚·2022-03-21 07:47

PIXOR Real-time 3D Object Detection from Point Clouds 中文译文

中文标题：PIXOR点云中的实时3D检测器作者：BinYang等期刊：CVPR年份：2018引用数：506代码地址：https://github.com/philip-huang/PIXOR摘要我们解决了在自动驾驶背景下从点云实时检测3D对象的问题。速度至关重要，因为检测是安全的必要组成部分。然而，由于点云的高维数，现有的方法在计算上很昂贵。我们通过从鸟瞰图(BEV)中表示场景来更有效地利用3D数

Kellenn·2022-03-17 07:46

React Native Echart 问题汇总

.width和height设置的不对的时候，会出现边框线如图所示：image解决办法：Echarts/index.js文件中2.折线区域图设置为渐变色，去掉节点，变成平滑series:[{name:'Clouds

超人阿亮·2022-02-13 23:21

【论文复现】——A Fast Point Clouds Registration Algorithm for Laser Scanners

目录一、流程概述二、代码实现三、结果展示一、流程概述更多详细内容请阅读论文：[1]XuGuangxuan,PangYajun,BaiZhenxu,WangYulei,LuZhiwei.AFastPointCloudsRegistrationAlgorithmforLaserScanners[J].AppliedSciences,2021,11(8):二、代码实现KeyPointsAnd3DSC.h

点云侠·2021-10-18 08:46

clouds intro

A是个多产的写手前四个里头的剧都是A写的1.时间：Lenaia424剧名thesuccessofKNIGHTS,2.时间in427剧名veryfirstplayBANQUETERS,3时间(thefirstperformancein423)剧名theFailureofClouds4时间(ALLinlate420s)剧名WASPSandPEACEIntro开头告知读者，cloudscamethird

nana709·2021-06-15 15:23

"Clouds" 导读

Aristophanes的"Clouds"是一个以颠覆大众所熟知的苏格拉底（socrates）形象作主题而著称的喜剧。

叹息林上·2021-05-20 05:51

Centerface + Facenet实现视频人脸识别（附代码）

pytorch版本：GitHub地址：https://github.com/timesler/facenet-pytorchCenterFace：GitHub地址：https://github.com/Star-Clouds

李二胖对我很重要·2021-05-07 21:47

Blue sky and Sweet clouds

蓝色净澈的天空，棉花糖似的的云团，如童话故事中城堡的美，双脚被深深的迷住了，静静的停止了脚步，深深的沉醉在，晚风习习的黄昏，不问为什么，因为BlueBlueSky和SweetClouds。图片发自App图片发自App图片发自App图片发自App图片发自App图片发自App图片发自App图片发自App图片发自App图片发自App

Kimmy_Xiao·2021-05-03 10:47

亲子阅读D9

海泥漫，适合0到3岁宝贝的英语启蒙学习，图片发自App图片发自App图片发自App我和女儿是第二次读这个绘本了，上次读了clouds，这次我们读的是eggs！

依荷妈妈绘本阅读大V店·2021-04-14 05:43

CenterFace模型框架详解轻量级anchor-free人脸检测器

论文地址：https://arxiv.org/ftp/arxiv/papers/1911/1911.03599.pdfgithub地址：https://github.com/Star-Clouds/centerfaceCenterFace

李二胖对我很重要·2021-04-09 10:13

Springcloud GateWay网关配置过程图解

中进行管理，先创建应用gateway9527pom文件，关键是gateway依赖com.baicloud-api-common${project.version}org.springframework.clouds

·2020-12-07 13:47

【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey

文章目录起因题目摘要1简介2背景2.1数据集2.2衡量指标33D形状分类3.1基于多视角的方法3.2基于体素的方法3.3基于点的方法3.3.1逐点MLP网络3.3.2基于卷积的网络3.3.3基于图的网络3.3.4基于数据索引的方法3.3.5其他方法3.4小结43D物体检测与跟踪4.13D物体检测4.1.1基于候选区域的方法4.1.2single-shot方法4.23D对象跟踪4.33D场景流估计4

^_^ 晅菲·2020-12-03 17:10

深度学习在三维点云上的应用（Deep Learning for 3D Point Clouds: A Survey）

深度学习在三维点云上的应用摘要最近，点云由于在计算机视觉、自动驾驶和机器人技术等许多领域的广泛应用而受到越来越多的关注。深度学习作为一种主要的人工智能技术，已经成功地用于解决各种二维视觉问题。由于使用深度神经网络处理点云所面临的独特挑战，因此点云上应用深度学习仍处于起步阶段。近来点云上深度学习变得更加受欢迎，许多方法被提出来解决这一领域的多种问题。为了促进未来的研究，本文对点云深度学习方法的最新进

负壹·2020-10-16 16:49

Paper5：Curved-Voxel Clustering for Accurate Segmentation of 3D LiDAR Point Clouds with Real-Time Per

给定一个3D激光雷达点云，我们如何快速且精确地分割它们？快速且精确的3D激光雷达点云分割是移动机器人在分类，跟踪，SLAM等不同应用中的重要问题。尽管它很重要，但是现有方法无法同时实现速度和准确性；尤其是，在3D域中执行分割的方法太慢，无法在实时处理中使用。在本文中，我们提供了曲面体素聚类（CVC），一个利用了快速且精确的用于分割3D激光雷达点云的方法，该方法是通过激光雷达优化的曲面体素实现的。C

Upupup6·2020-09-17 04:14

An Efficient PointLSTM for Point Clouds Based Gesture Recognition[CVPR2020]

[论文链接]\qquad本文提出了一种在保留空间结构的前提下实现信息从过去帧传播到未来帧的PointLSTM方法来对序列点云数据做手势识别和动作识别。PointLSTM通过权值共享的LSTM层，将过去帧邻近点的状态信息与当前特征相结合，更新当前状态。这种方法可以集成到许多其他的序列学习方法中。\qquad近年来RNN和LSTM在序列建模上取得了成功，利用LSTM可以从时空的一致性捕捉到运动和外观随

CXY_Likescoding·2020-09-15 19:27

FlowNet3D - Learning Scene Flow in 3D Point Clouds[CVPR2019]

[论文链接]|[代码链接]\qquad本文作者提出了一个端到端估计场景流的网络结构——FLowNet3D。在FLowNet3D中引入了两个新的点云学习层：（1）学习联系两帧点云的flowembedding层；（2）学习将特征从一个点集传播到另一个点集的setupconv层。\qquadFlowNet3D主要包含以上三个模块：（1）setconv层学习点云中点的特征，并对点云进行下采样；（2）flo