PointNet的缺點： PointNet不捕獲由度量空間點引起的局部結構，限制了它識別細粒度圖案和泛化到復雜場景的能力。 利用度量空間距離，我們的網絡能夠通過增加上下文尺度來學習局部特征。 點集通常采用不同的密度進行采樣，這導致在統一密度下訓練的網絡的性能大大降低 ...

簡介 3D展示有以下幾種常見情況： multi-view images(多視角的圖片)+2D CNN：圖片表示3D數據存在失真。 vulmetric data（3D體素）+3D CNN： ...

PointNet網絡深度學習在點雲處理上的先驅，這個團隊又提出了PointNet++模型。以下是我學習之余的總結，一是理清自己的思路，二是於無意看到這篇博文的您一起學習。 一、PointNet的問題 一般提出新的模型，總是要分析原有模型的不足，是的。 由PointNet網絡結構可以看出，網絡 ...

無序性：雖然輸入的點雲是有順序的，但是顯然這個順序不應當影響結果。點之間的交互：每個點不是獨立的，而是與其周圍的一些點共同蘊含了一些信息，因而模型應當能夠抓住局部的結構和局部之間的交互。變換不變性：比 ...

針對點雲無序性—采用maxpooling作為對稱函數。最大池化操作保留最大值，不管順序如何變化，最大值不會改變。 針對剛體變化—對齊網絡T-net 特征提取階段采用MLP，這種結構用到 ...

PointNet1 是斯坦福大學研究人員提出的一個點雲處理網絡，與先前工作的不同在於這一網絡可以直接輸入無序點雲進行處理，而無序將數據處理成規則的3Dvoxel形式進行處理。輸入點雲順序對於網絡的輸出結果沒有影響，同時也可以處理旋轉平移后的點雲數據。 點雲是一種重要的幾何數據形式 ...

　　本文先對FCN的會議論文進行了粗略的翻譯，使讀者能夠對論文的結構有個大概的了解（包括解決的問題是什么，提出了哪些方案，得到了什么結果）。然后，給出了幾篇博文的連接，對文中未鋪開解釋的或不易理解的內容作了詳盡的說明。最后給出了FCN代碼的詳解（待更新）。 Fully ...

文獻：DaSiamRPN: Zheng Zhu, Qiang Wang, Bo Li, Wu Wei, Junjie Yan, Weiming Hu."Distractor-aware Siamese ...