商洛网站建设哪家好,贵阳网站建设q.479185700惠,wordpress调用当前分类链接,wordpress根据分类id24年的MM
创新
现有点云压缩工作主要集中在保真度优化上。
而在实际应用中#xff0c;压缩的目的是促进机器分析。例如#xff0c;在自动驾驶中#xff0c;有损压缩会显着丢失户外场景的详细信息。在三维重建中#xff0c;压缩过程也会导致场景数据中语义信息(Contour)的…
24年的MM
创新
现有点云压缩工作主要集中在保真度优化上。
而在实际应用中压缩的目的是促进机器分析。例如在自动驾驶中有损压缩会显着丢失户外场景的详细信息。在三维重建中压缩过程也会导致场景数据中语义信息(Contour)的损失。
第一个提出了感兴趣区域(ROI)引导的点云压缩范式同时优化机器感知性能和视觉保真度。
基础层(坐标)对点云进行简单的编码和解码增强层(特征)通过关注几何细节来改进这一点。
Pipeline 输入坐标(x0y0z0)。
基础层坐标经过量化Q和简单的GPCC编码得到比特流存储解码再反量化得到预测的基础坐标(x1’,y1’,z1’)。
增强层将坐标经过量化Q反量化Q-1得到有误差的坐标(x1,y1,z1)做差得到残差R经过残差分析模块得到残差特征FF经过一个权重W得到增强残差特征F’在经过熵编码得到比特流存储熵解码得到预测残差特征F’‘经过残差合成模块得到预测残差R’加权得到预测的原始坐标(x0’,y0’,z0’)再输送给下游任务重建或检测。
剩下就是如何得到增强权重W–通过RPN和RSM。
ROI RPN输出所有点对应所有类别的概率向量。或者该点对应为前景或背景的概率。 Color Map用Softmax将概率转换为类别标签。
在Region Selection中识别背景和前景选择一些类别作为背景其余类别组成前景。 由于经过量化反量化坐标可能有细微变化需要进行坐标对齐并对不同区域生成不同权重的掩码。 xrm应该是写错了上下文其他地方都没有出现过xrm。
将掩码经过一系列处理匹配残差特征的维度。 将特征对齐后的掩码加权到增强特征中进行后续处理。
两阶段训练 第一阶段只训练ROI网络使ROI网络能够学会分割/识别点云中的前景与背景或具体类别。 第二阶段重点优化压缩网络本身并将重构后点云送入检测器计算Ldetection。
综合考虑几何失真DRW−CD、码率R以及检测损失Ldetection。 其中DRW−CD为普通CD距离加上掩码信息。
一些模块细节 实验
使用两个室内场景数据集(ScanNetSUN RGB-D)进行训练和评估。将结果扩展到MVUB数据集。 压缩效果一般。
mAP0.250.6表示在IoU阈值0.25的条件下所有类别的平均精确度为60%。 编码时间不具备优势。 ScanNet数据集中不同压缩算法的检测任务的输出的可视化bpp和PSNR表示平均值。 比较的方法较早不具有前沿性。
