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：
分享
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