訂閱
糾錯
加入自媒體
當前位置： OFweek 人工智能網   >   云計算   >  正文

香港大學等機構提出學習點云內蘊結構表示的非監(jiān)督學習新方法

下圖還顯示了抽取的特征與概率圖的加權結果，下圖顯示了二維情況下的t－SNE結果，可以看到四類不同目標點云的嵌入空間在16個結構點下對應的語義分類結果，學習到的特征具有顯著的聚類特性，同時還具有對成分布的特征，這主要是由于PointNet＋＋不具有對稱不變性，添加對成不變性損失也是未來改進的方向之一：

為了驗證模型對于不同密度輸入點云的魯棒性，研究人員分別輸入了256，1024，2048，4096數(shù)量的點云，下圖中第一行的彩色點表示了16個結構點，第二行是1024個稠密結構點，顯示了模型對于不同輸入密度的魯棒性：

此外對于非均勻分布的點云（上）和真實情況下包含很多噪聲的掃描點（下）都具有良好的性能：


<上一頁  1  2  3  
聲明： 本文由入駐維科號的作者撰寫，觀點僅代表作者本人，不代表OFweek立場。如有侵權或其他問題，請聯(lián)系舉報。

發(fā)表評論

共0條評論，0人參與

請輸入評論內容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁，請輸入驗證碼繼續(xù)

暫無評論

暫無評論

    掃碼關注公眾號
    OFweek人工智能網
    獲取更多精彩內容
    文章糾錯
    x
    *文字標題：
    *糾錯內容：
    聯(lián)系郵箱：
    *驗 證 碼：

    粵公網安備 44030502002758號