quan9i

摘要： 创新点 （1）提出新框架，采用双层焦点注意力特征交互机制提升性能 （2）提出双空间一致性匹配模块，充分利用几何一致性来提升supperPoint匹配的质量。 （3）引入线性注意力模块，用于优化点特征。 流程 首先使用局部特征提取对两个视角的点云进行Kpconv卷积提取特征，接着分为两部分，一部分是最 阅读全文

摘要： 公式解读 前情提要：什么是相机 相机是虚拟的，实际上，它是指一个数学模型，它定义了我们如何将三维空间的点映射到二维照片上，它包含外参和内参，其中： （1）外参是指你所站的位置t，和你的朝向R。这个描述了相机在3D世界坐标系中的位置。 （2）内参是指内参矩阵K，它包含了焦距，主点等。外参调整过的点与K 阅读全文

摘要： 前置知识 注意力机制 注意力机制的核心思想来源于人类在感知外部信息时所展现出的选择性注意能力。在面对复杂信息或长序列时，人类不会平均地处理所有信息，而是有选择地关注其中对当前任务更关键的部分。 深度学习中的注意力机制正是对这一现象的模拟，它使得神经网络在处理序列或结构化数据时，能够动态地调整对不同信 阅读全文

摘要： 背景 典型的2D3D配准的核心任务是求解一个将点云对齐到图像坐标系下的刚体变换（旋转和平移）。 为了实现这一目的，常见的执行步骤如下 （1）建立对应关系 即找出图像的关键点和点云的关键点，然后将位置相同的关键点进行匹配，作为一组对应关系，这些(像素, 3D点)对构成了后续计算的基础。 （2）求解变换 阅读全文

摘要： 引言 什么是点云配准呢，我们分别看下点云和配准 点云：你可以想象成 “3D 世界的像素”—— 比如用激光雷达扫描一个桌子，会得到成千上万的 3D 坐标点（每个点有 X、Y、Z 位置信息），这些点凑在一起就形成了桌子的 “点云”，能完整还原桌子的 3D 形状。 配准：简单说就是 “把两个不同角度 / 阅读全文

摘要： 背景 在PointNet中并没有局部特征的概念，要么是对单个物体进行处理获取单个特征，要么是进行整体最大池化获取全局特征，丢失了很多局部信息。也是因此在进行分割物体时效果显得一般，Pointnet++则优化了这个问题。 方法 Pointnet++在Point的基础上增添了多层次结构，使得网络能够在越 阅读全文

摘要： 线性回归 一元线性回归 线性回归，公式为Y=Wx+b，这里简单一点，假设偏置b=0，我们设置损失函数为loss=(y-yi)²，y是真实值，yi是预测值，代入可得loss=(y-W*x)²，带入x的值和y的值即可得到最终的loss函数，而后求其导数，导数为0时可取极值，进而得到w，通过这样我们就可以 阅读全文

摘要： 点云 基础知识 ​ 点云是指同一参考系下表达目标空间分布和目标表面特征的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，这个就被我们称为点云。 ​ 点云的图像多为三维图像，即长度、宽度和深度信息。 ​ 点云的测量原理主要分为两种，一种是激光测量，一种则是摄影。激光测量得到的数据包 阅读全文