quan9i

摘要： 前言 Mamba和Transformer是两种较为流行的模型，之前看的论文大多是Transformer相关，使用特征提取后进行Transformer增强特征并进行信息交互，而Mamba则不同于Transformer，它采用的方式是卷积+线性层来进行处理，同时加入了SSM这个状态空间模型，它与之前的循 阅读全文

摘要： 背景 ​ 以往的点云配准方式分为两种，一种是基于无对应的方法，一种则是有对应的方法，对于前者，处理的方式是直接对两个点云进行特征提取，然后通过特征对比直接得到姿态，也就是R和t，这种方法对位置极其敏感，稍有差池就可能会产生极大的偏差；而后者，虽然处理较为稳妥，但是同样也会因为稳妥而付出较多的计算成本 阅读全文

摘要： 背景 多实例点云配准普遍采用“先提取对应点、再进行多模型拟合”的两阶段架构，其中的对应点提取主要分为基于关键点的方法和无关键点的方法，但这两个方法都存在一定的不足，且多模型拟合计算量较大。MIRETR将这种全局提取+全局拟合的架构，重构成了局部隔离+精准配准。 举个例子，在此之前，提取对应点之后，每 阅读全文

摘要： 论文《Progressive Correspondence Regenerator for Robust 3D Registration》 背景 如图所示，以往的工作在进行离群值和内点区分的时候，对于离群值，直接进行修剪，只保留对应正确的内点，而本论文则不同，对于离群值，我们以它作为基础，进行新一轮 阅读全文

摘要： 前置知识 PCA PCA，即主成分分析，它通过正交变换将一组可能相关的变量转换为一组线性不相关的变量，这些新的变量称为主成分。具体计算方式如下： 首先需要对数据进行标准化处理，确保每个特征的均值为0，标准差为1 其中的X是原始数据矩阵，μ是每个特征的均值向量，σ是每个特征的标准差向量。 接下来就是计 阅读全文

摘要： 论文《Adaptive Agent Selection and Interaction Network for Image-to-point cloud Registration》 整体架构图如下 首先是对点云和图像进行处理 初处理 首先是特征提取 对点云进行KPFCNN处理，主要核点卷积，通过这种 阅读全文

摘要： 网络整体流程 网络流程较为简单，主要分为四部分 （1）对原始点云和目标点云进行基于Kpconv-FPN的骨干网络进行特征提取，然后我们将下采样进行到最底层的这层的点称为超点 （2）对超点部分进行Geotransformer变换，然后利用双归一化挑选出前top-k个作为处理好的精细点对 （3）对刚刚处 阅读全文

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