香港大学等机构提出学习点云内蕴结构表示的非监督学习新方法
2020-05-14 11:54
将门创投
关注
下图还显示了抽取的特征与概率图的加权结果,下图显示了二维情况下的t-SNE结果,可以看到四类不同目标点云的嵌入空间在16个结构点下对应的语义分类结果,学习到的特征具有显著的聚类特性,同时还具有对成分布的特征,这主要是由于PointNet++不具有对称不变性,添加对成不变性损失也是未来改进的方向之一:
为了验证模型对于不同密度输入点云的鲁棒性,研究人员分别输入了256,1024,2048,4096数量的点云,下图中第一行的彩色点表示了16个结构点,第二行是1024个稠密结构点,显示了模型对于不同输入密度的鲁棒性:
此外对于非均匀分布的点云(上)和真实情况下包含很多噪声的扫描点(下)都具有良好的性能:
声明:
本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。
最新活动更多
-
5月10日立即下载>> 【是德科技】精选《汽车 SerDes 发射机测试》白皮书
-
5月28日立即观看>> 【在线研讨会】Ansys镜头点胶可靠性技术及方案
-
5月31日立即报名>> 【线下论坛】新唐科技2024未来创新峰会
-
6月18日立即报名>> 【线下会议】OFweek 2024(第九届)物联网产业大会
-
8月27-29日马上报名>>> 2024(第五届)全球数字经济产业大会暨展览会
-
8月27日立即报名>>> 2024先进激光技术博览展
推荐专题
-
1 钉钉自己挤上牌桌
发表评论
请输入评论内容...
请输入评论/评论长度6~500个字
暂无评论
暂无评论