香港大學等機構提出學習點云內蘊結構表示的非監督學習新方法
2020-05-14 11:54
將門創投
關注
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：
分享
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，請聯系舉報。
請輸入評論內容...
請輸入評論/評論長度6~500個字
最新活動更多
- 1 AI狂歡遇上油價破百，全球股市還能漲多久？ | 產聯看全球
- 2 OpenAI深夜王炸！ChatGPT Images 2.0實測：中文穩、細節炸，設計師慌了
- 3 6000億美元估值錨定：字節跳動的“去單一化”突圍與估值重構
- 4 Tesla AI5芯片最新進展總結
- 5 連夜測了一波DeepSeek-V4，我發現它可能只剩“審美”這個短板了
- 6 熱點丨AI“瑜亮之爭”：既生OpenClaw，何生Hermes？
- 7 AI界的殺豬盤：9秒刪庫跑路，全員被封號，還繼續扣錢！
- 8 2026，人形機器人只贏了面子
- 9 DeepSeek降價90%：價格屠夫不是身份，是戰略
- 10 AI Infra產業鏈卡在哪里了？
