1_3D ShapeNets: A Deep Representation for Volumetric Shapes 2015 论文笔记

最新推荐文章于 2024-10-27 08:15:00 发布
原创 最新推荐文章于 2024-10-27 08:15:00 发布 · 1.7k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法 #计算机视觉 #深度学习

这篇论文提出了一种3D ShapeNets的深层表示法，使用卷积深度信念网络（CDBN）解决3D形状分类、检索和2.5D识别问题。通过在大型CAD数据集Modelnet上训练，模型能够从2.5D深度图重建3D形状，且在实验中展现出优越的性能。尽管识别精度相对于当前标准可能不高，但该方法为3D形状处理提供了新思路。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

体积形状的深层表示法

代码笔记：http://www.adv-ci.com/blog/source/cdbn/

作者：Zhirong Wu等人

1、解决的问题

前人大部分依赖对模型的部分进行标记和训练网络。

因为用3D数据进行目标检测和从2.5维图像中重构3D形状是个问题

还有种类识别问题

2、创新点

提出用卷积深度信念网络（Convolutional Deep Belief Network，CDBN）将几何3D形状表示为3D体素网格上二元变量的概率分布。

为了训练3D深度学习模型，构建了大型CAD数据集-Modelnet

（1）学习不同种类不同姿势的3D形状的分布，并得到层次表达

（2）支持联合目标识别，且可以从2.5D深度图中复原为3D图像，通过视图规划可以进行激活目标识别

3、优点

使用CAD数据作为训练数据，使用卷积DBN网络构建了一个3D ShapeNets，对Kinect传感器获取的2.5D深度图进行目标识别和复原全3D形状。

识别精度优于比较方法。

4、缺点

识别精度不高对于现在来说不高。

5、算法原理

5.1、  3D ShapeNets

每个三维网格表示为二进

最低0.47元/天 解锁文章

200万优质内容无限畅学
用Python实现AIGC驱动的3D模型生成：完整教程
AI天才研究院
05-04 620
3D模型生成是计算机图形学和人工智能交叉领域的重要研究方向。随着AIGC技术的快速发展，使用深度学习自动生成3D模型已成为可能。系统介绍3D模型生成的原理和方法提供完整的Python实现方案分享实际项目中的最佳实践和经验探讨该领域的最新进展和未来趋势教程范围涵盖从基础理论到工程实现的完整流程，特别关注如何将AIGC技术应用于3D内容创作。背景介绍：概述3D模型生成的基本概念核心概念：讲解3D数据表示和生成模型算法原理：深入分析3D生成算法数学模型：介绍关键数学公式。
文献略读：Next Best View 相关
m0_46167617的博客
09-14 1615
文献略读：Next Best View 相关 Receding Horizon “Next–Best–View” Planner for 3D Exploration 基于RRT和NBV的探索规划器 每一步都通过随机采样来构建RRT树，采样构型为 (x,y,z,ψ)(x,y,z,\psi)(x,y,z,ψ) 采样完成后，寻找增益最大的构型作为NBV，并得到前往该构型的路径 增益函数为Gain(n)=Gain(n−1)+Visible(M,ξk)exp(−λc(σk−1k))Gain(n) =
3DShapeNets:用于cvpr2015项目3DShapeNets
05-19
3D ShapeNets：体积形状的深层表示 介绍 该代码在3D中实现了卷积深度信任网络，并将其应用于2.5D深度对象识别，3D形状完成，NBV选择等。 要运行代码，应安装支持CUDA的GPU。 用户应确保深度渲染功能RenderMex正常工作。 这取决于openGL。 我们建议将$ MATLAB_HOME / sys / opengl / lib / glnxa64 / libGL.so.1添加到LD_LIBRARY_PATH。 我们已经在Ubuntu 12.04和14.04，Matlab R2013a及更高版本上测试了我们的代码。 代码 训练3D ShapeNets涉及一个预训练阶段（run_pretrainin.m）和一个微调阶段（run_finetuning.m）。 生成式微调非常耗时，有时只能稍微提高性能。 您可能会忽略它。 这是代码的组织方式： 1. The roo
【点云处理之狂读论文经典篇1】——3D ShapeNets: A Deep Representation for Volumetric Shapes
yuanmiyu6522的博客
04-26 5959
3D ShapeNet：一种体素形状的深度表示方法1.摘要2.引言3.相关工作4.3D ShapeNets4. 2.5D Recognition and Reconstruction4.1 View-based Sampling4.2 Next-Best-View Prediction5.ModelNet: A Large-scale 3D CAD Dataset6.实验6.1Classification and Retrieval6.2 View-based 2.5D Recognition6.2Next
3D ShapeNets: A Deep Representation for Volumetric Shapes翻译
weixin_42037651的博客
09-16 2617
3D ShapeNets：体积形状的深度表示 摘要   在当今的计算机视觉系统中，3D 形状是一个关键但未充分利用的线索，主要是由于缺乏良好的通用形状表示。随着最近廉价 2.5D 深度传感器（例如 Microsoft Kinect）的出现，在循环中拥有强大的 3D 形状表示变得越来越重要。除了类别识别，从基于视图的 2.5D 深度图中恢复完整的 3D 形状也是视觉理解的关键部分。为此，我们建议使用卷积深度信念网络将几何 3D 形状表示为 3D 体素网格上二元变量的概率分布。我们的模型 3D ShapeNet
3D ShapeNets: A Deep Representation for Volumetric Shapes 代码遇到的问题
weixin_30471065的博客
03-11 944
遇到Error using polygon2voxel_double Requested 515396075640x140711718551672x140719189273184 (17179869184.0GB) array exceeds maximum array size preference 解决办法： 参考文章：https://git...
matlab代码改进的bp-3DShapeNets:3DShapeNets
05-28
matlab代码改进的bp 3D ShapeNets：体积形状的深层表示 介绍 该代码在3D中实现了卷积深度信任网络，并将其应用于2.5D深度对象识别，3D形状完成，NBV选择等。 要运行代码，应安装支持CUDA的GPU。 用户应确保深度渲染功能RenderMex正常工作。 这取决于openGL。 我们建议将$ MATLAB_HOME / sys / opengl / lib / glnxa64 / libGL.so.1添加到LD_LIBRARY_PATH。 我们已经在Ubuntu 12.04和14.04，Matlab R2013a及更高版本上测试了我们的代码。 代码 训练3D ShapeNets涉及一个预训练阶段（run_pretrainin.m）和一个微调阶段（run_finetuning.m）。 生成式微调非常耗时，有时只能稍微提高性能。 您可能会忽略它。 这是代码的组织方式： 1. The root folder contains interfaces for training and testing. 2. The folder "generative" is for pro
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 5637
文章目录摘要简介：2 背景2.1 数据集2.2 衡量指标3 3D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其他方法小结4 3D物体检测与跟踪4.1 3D物体检测4.1.1 基于候选区域的方法4.1.2 single-shot方法4.2 3D对象跟踪4.3 3D场景流估计4.4 小结：5 3D点云分割5.1 3D 语义分割5.1.1 基于投影的方法5.1.2 基于离散的方法5
3D Representation Methods: A Survey_METHODS
最新发布
初见月
10-27 1150
3D表示方法综述(方法)
三维点云语义分割【综述】 ——Deep Learning for 3D Point Clouds: A Survey
热门推荐
Dujing2019的博客
02-16 1万+
3D POINT CLOUD SEGMENTATION3D Semantic SegmentationProjection-based NetworksPoint-based NetworksInstance SegmentationProposal-based MethodsProposal-free MethodsPart SegmentationSummary 3D点云分割需要了解全局几何结...
3D Shapes Dataset 3D图形数据集-数据集
03-11
3D Shapes Dataset is provided by Deep Mind.本数据集由Deep Mind提供。 3dshapes.h5
3D-Shape3D.zip
09-17
3D-Shape3D.zip,形状三维有椭球面、维度和平行四边形,3D建模使用专门的软件来创建物理对象的数字模型。它是3D计算机图形的一个方面，用于视频游戏，3D打印和VR，以及其他应用程序。
Receding Horizon “Next–Best–View” Planner for 3D Exploration论文笔记
Wang的博客
02-12 3325
Receding Horizon “Next–Best–View” Planner for 3D Exploration 发表时间及出处：2016 IEEE International Conference on Robotics and Automation (ICRA) 一、论文概述 本论文提出了一种不同于边界思想的探索方法，即后最佳视角（next-best-view）规划器，用于机器人未知环境探索，其目标点选取方法与frontier-base有所不同，所以是一种探索的新...
大盘点|基于RGB图像下的机器人抓取
3D视觉工坊
02-23 2519
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达前言近期读取了一些最新基于RGB图像下的机器人抓取论文，在这里分享下思路。1、Optimizing Correlated Grasp...
COLMAP: Structure-from-Motion Revisited 论文阅读
qq_45951029的博客
09-21 1674
COLMAP: Structure-from-Motion Revisited 论文阅读
论文阅读 An Information Gain Formulation for Active Volumetric 3D Reconstruction
weixin_42518636的博客
10-17 5652
这是一篇讲基于3D重建这个场景，如何更好地计算information gain的 好像是2016ICRA 也是uzh实验室的 An Information Gain Formulation for Active Volumetric 3D Reconstruction 问题背景： 携带camera的robot，在三维场景中对一个物体利用REMODE进行重建 提出的information gain的计算方法可以帮助在候选视角里选出最好的 来最大化发现object的新部分 其实就是如何选next best vi
Structure-from-Motion Revisited
公众号『机器感知』
07-30 2624
Abstract 对无序图片集三维重建的主流方法是采用增量SfM，本文提出了一种新的SfM技术 1. Introduction 对无序图片集三维重建的主流方法是采用增量SfM，本代码开源：https://github.com/colmap/colmap. 2. Review of Structure-from-Motion SfM说的是从不同视角拍摄的图片中重建三维结构的过程，增量SfM是一个使...
structure-from-motion revisited论文笔记
u012370185的博客
12-17 4259
1. Introduction 提出一种新的SFM技术 SFM主要分为三类:增量式(most popular)\分层式\全局式; 但是目前在鲁棒性\精确度\完整性\扩展性方面还需要提高 2. Review of Structure-from-Motion 2.1 Correspondence Search---对应搜索        （1）特征提取：SIFT        （2）特征...
Unet（2D Unet&3D Unet）和Vnet——图像分割
阿婷的博客
12-21 1万+
参考博客 https://blog.csdn.net/qq_36484003/article/details/108874913 https://blog.csdn.net/weixin_41424926/article/details/103105801 目录 2D U-net 3D U-net。 V-net 2D U-net 以全连接卷积神经网络为基础设计的。 创新点：上采样，下采样，U型结构，短接通道（skip connection） 下采样：传统的特征提取路径，简称压缩路径，
论文HexPlane: A Fast Representation for Dynamic Scenes
03-03
HexPlane是一种用于动态场景的快速表示方法。HexPlane基于六边形网格，使用自适应的分层网格结构来表示不同的分辨率，从而在不同的细节层次上提供高效的渲染和碰撞检测。HexPlane还支持动态对象的快速更新和场景的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值