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
-
2月28日火热报名中>> 【免费试用】东集技术年终福利——免费试用活动
-
即日-3.21立即报名 >> 【深圳 IEAE】2025 消费新场景创新与实践论坛
-
4日10日立即报名>> OFweek 2025（第十四届）中国机器人产业大会
-
7.30-8.1火热报名中>> 全数会2025（第六届）机器人及智能工厂展
-
即日-2025.8.1立即下载>> 《2024智能制造产业高端化、智能化、绿色化发展蓝皮书》
-
精彩回顾立即查看>> 【限时免费】安森美：Treo 平台带来出色的精密模拟
推荐专题
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