张量投票：（注：下文中的“点”指的是，用传感器模型获得的环境的离散化表示，如用激光雷达获取的点云，或者是把双目相机的图像转换得到的点云等）Stumm等人提出张量投票是一种获得密集几何信息的方法。基本上，张量投票通过点投票提取几何基元(例如平面、直线和球体)和相关的显著性（这里理解为：是某种几何基元的可能性大小）。这个过程通常分为两步：首先，假设点是球体，它们之间进行投票，以获得局部结构的第一个想法

原文名称: PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space译文名称：PointNet++：度量空间中点集的深度分层特征学习在这项工作中，我们提出了 PointNet++，这是一种强大的神经网络架构，用于处理在度量空间中采样的点集。PointNet++ 在输入点集的嵌套分区上递归地运行，并且

ScanNet是一个RGB-D视频数据集，包含1500多个扫描中的250万个视图，用3D摄像机的姿势、表面重建和实例级的语义分割来注释。为了收集这些数据，我们设计了一个易于使用和可扩展的RGB-D捕捉系统，包括自动表面重建和众包语义注释。我们表明，使用这些数据有助于在几个三维场景理解任务上实现最先进的性能，包括三维物体分类、语义体素标签和CAD模型检索。

SmoothL1Loss损失函数

0 前言本机：RTX3070,cuda-11.0官方github:https://github.com/PRBonn/lidar-bonnetal论文：RangeNet++: Fast and Accurate LiDAR Semantic Segmentation0.1 KITTI语义分割数据集--SemanticKITTI链接：SemanticKITTI - A Dataset for LiD

RangeNet++: Fast and Accurate LiDAR Semantic SegmentationRangeNet++：快速准确的 LiDAR 语义分割目录摘要1 Introduction2 Related Work3 Our ApproachA. Range Image Point Cloud Proxy Representation(距离图像点云代替表示)B. Fully Co

NeRF代码基于tensorflow1写的，我电脑是RTX3070只能使用tensorflow2，而且我也懒得(没那个能力)再去代码里修改tensorflow1和tensorflow2的区别了，于是先放弃复现。nerf-pytorch项目是 NeRF 的忠实 PyTorch 实现，它在运行速度提高 1.3 倍的同时重现结果；下面就演示了nerf-pytorch代码的运行。二者在github上都是几

PointNet：用于 3D 分类和分割的点集的深度学习PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation正在上传…重新上传取消Abstract点云是一种重要的几何数据结构。由于其不规则的格式，大多数研究人员将此类数据转换为规则的 3D 体素网格或图像集合。但是，这会使数据变得不必要地庞大(vol

1.安装ubuntu18.04双系统说明：win11+ubuntu18.04ubuntu18.04镜像地址（可以用迅雷等下载）：Alternative downloads | Ubuntu得到文件：ubuntu-18.04.6-desktop-amd64.iso下载Rufus：Rufus下载地址：Index of /downloadshttps://github.com/pbatard/rufus

1 安装使用pip安装即可pip install kitti2bag其中kitti2bag的github链接：https://github.com/tomas789/kitti2bag如果因为proxy代理的原因，一直pip install不了，可以试试换台电脑转换数据(这或许更有用）2.下载并解压数据数据到网页：The KITTI Vision Benchmark Suite下载数据（可能需要注