PointMixer: MLP-Mixer for Point Cloud Understanding

这篇具有很好参考价值的文章主要介绍了PointMixer: MLP-Mixer for Point Cloud Understanding。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

Abstract

MLP-Mixer 最近崭露头角,成为对抗CNNs和Transformer领域的新挑战者。尽管相比Transformer更为简单,但通道混合MLPs和令牌混合MLPs的概念在图像识别任务中取得了显著的性能。与图像不同,点云本质上是稀疏、无序和不规则的,这限制了直接将MLP-Mixer用于点云理解。为了克服这些限制,我们提出了PointMixer,这是一个通用的点集操作符,促进在非结构化的3D点云之间共享信息。通过简单地用Softmax函数替换令牌混合MLPs,PointMixer可以在点集内/间“混合”特征。通过这样做,PointMixer可以广泛用于集内、集间和分层集的混合。我们证明,在许多点集中进行各种通道-wise特征聚合在参数效率和准确性方面优于自注意层或密集令牌-wise交互。大量实验证明PointMixer在语义分割、分类和重建方面相对于基于Transformer的方法具有竞争力或更优越的性能。

3 Method

在本节中,我们描述了我们的PointMixer设计的详细信息。为了清晰起见,我们将MLP-Mixer的一般公式与代表性的基于点的方法进行比较,如PointNet++和Point Transformer(第3.1节)。然后,我们检查MLP-Mixer是否与点集操作符相关(第3.2节)。最后,我们介绍了我们的PointMixer层(第3.3节),该层被采用在我们整个网络中(第3.4节)。

PointMixer: MLP-Mixer for Point Cloud Understanding,3D实例分割,MLP,深度学习文章来源地址https://www.toymoban.com/news/detail-796360.html

到了这里,关于PointMixer: MLP-Mixer for Point Cloud Understanding的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Divide and Conquer: 3D Point Cloud Instance Segmentation With Point-Wise Binarization

    点云上的实例分割对于三维场景理解至关重要。大多数最先进的方法采用距离聚类,这通常是有效的,但在对具有相同语义标签的相邻对象进行分割时表现不佳(特别是当它们共享相邻点时)。由于偏移点分布不均匀,这些现有方法几乎无法聚类所有实例点。为此,我们设计

    2024年02月20日
    浏览(39)
  • 论文阅读:PointCLIP: Point Cloud Understanding by CLIP

     CVPR2022 链接:https://arxiv.org/pdf/2112.02413.pdf         最近,通过对比视觉语言预训练(CLIP)的零镜头学习和少镜头学习在2D视觉识别方面表现出了鼓舞人心的表现,即学习在开放词汇设置下将图像与相应的文本匹配。然而,在二维大规模图像文本对的预训练下,CLIP识别能否推

    2024年02月04日
    浏览(74)
  • 论文阅读:GamutMLP A Lightweight MLP for Color Loss Recovery

    这篇文章是关于色彩恢复的一项工作,发表在 CVPR2023,其中之一的作者是 Michael S. Brown,这个老师是加拿大 York 大学的,也是 ISP 领域的大牛,现在好像也在三星研究院担任兼职,这个老师做了很多这种类似的工作,通过一些轻量模型,将一些数据转换过程中的变换关系进行拟

    2024年02月19日
    浏览(39)
  • 论文阅读:Offboard 3D Object Detection from Point Cloud Sequences

    目录 概要 Motivation 整体架构流程 技术细节 3D Auto Labeling Pipeline The static object auto labeling model The dynamic object auto labeling model 小结 论文地址: [2103.05073] Offboard 3D Object Detection from Point Cloud Sequences (arxiv.org)     该论文提出了一种利用点云序列数据进行离线三维物体检测的方法,称

    2024年02月06日
    浏览(47)
  • Rethinking Point Cloud Registration as Masking and Reconstruction论文阅读

    2023 ICCV * Guangyan Chen, Meiling Wang, Li Yuan, Yi Yang, Yufeng Yue* ; Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 2023, pp. 17717-17727 paper: Rethinking Point Cloud Registration as Masking and Reconstruction (thecvf.com) code: CGuangyan-BIT/MRA (github.com) 这论文标题就很吸引人,但是研读下来作者只是想

    2024年02月08日
    浏览(45)
  • 开源,点云处理及三维重建软件(Point Cloud Viewer, PCV)的设计与实现

    GitHub地址:point-cloud-viewer GitCode地址:point-cloud-viewer 笔者于2021年底开始,着手设计并实现这款点云处理及三维重建软件Point Cloud Viewer, PCV,历时三个月,完成该软件的大部分功能实现。由于笔者转行做嵌入式底层相关工作,不再研究点云处理相关技术,PCV的后续功能实现就一

    2024年02月01日
    浏览(39)
  • 【3D目标检测】Monocular 3D Object Detection with Pseudo-LiDAR Point Cloud

    本文的输入数据仅仅是单目图像,在方法上是融合了伪点云(Pseudo-LiDAR)的深度信息表示方法与Frustum PointNets的检测方法。 乍一看文章和伪点云原论文 Pseudo-LiDAR from Visual Depth Estimation: Bridging the Gap in 3D Object Detection for AD 一模一样,但是会更具体一点,也就是本文只关注单目图

    2024年02月05日
    浏览(51)
  • [点云配准]LCD(2D-3D特征配准算法)例程align_point_cloud.py解析

    跨域描述符LCD可以实现二维图片特征点到三维点云特征点的配准,是个具有通用性的深度学习特征描述子。(图片来源于论文 LCD: Learned Cross-Domain Descriptors for 2D-3D Matching ) 在Github开源的源码里面给出了利用LCD进行 三维点云配准 的例程。align_point_cloud.py,这里对例程如何使用

    2024年02月08日
    浏览(44)
  • ISBNet: a 3D Point Cloud Instance Segmentation Network with Instance-aware Sampling 阅读

    ISBNet:   目前scannet数据集三维实例分割第一 这里有一个疑虑就是语义分割的做法如果转移到实例分割会导致的结果和区别需要回头去理解一下 三个贡献,创新点: 1,isbnet的网络无集群范式,利用实例感知的最远距离采样(IA-FPS)和聚合器(aggregation)生成特征 2,提出bo

    2024年02月04日
    浏览(44)
  • Deep Learning for 3D Point Clouds: A Survey

    Guo Y, Wang H, Hu Q, et al. Deep learning for 3d point clouds: A survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020. 之前组会要分享的一篇综述,太长了没读完,不知道啥时候能写完。。 最近,点云学习因其在计算机视觉、自动驾驶和机器人等许多领域的广泛应用而引起越来越多

    2024年02月05日
    浏览(41)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包