Chailyn's homepage

行动起来，活在当下

累计撰写 18 篇文章
累计创建 13 个标签
累计收到 17 条评论

目录CONTENT

最新文章

2025-07-30
PaperRead：A Point Set Generation Network for 3D Object Reconstruction from a Single Image Contribution 论文的贡献可以概括为以下几点：将深度学习应用于点集生成问题：这是该研究的核心，它利用深度学习技术来直接生成3D点云，而不是传统的体素或网格表示。在单图像3D重建任务上超越现有技术：论文明确指出，在从单张图像重建3D形状的任务中，他们应用的这种点集生成网络显著优于现有
- 2025-07-30
- 18
- 1
- 1
- 点云
- 论文阅读
2025-07-17
PaperRead：SoftGroup：for 3D Instance Segmentation on Point Clouds Introduction 最新的方法是3D实力分割当成自底向上的流程：先打标签再聚类网络输出点语义类别和中心偏移向量，再用聚类把同类别并且几何距离近的点合并成实例聚类使用hardlabel（只取最大概率），往往造成 IoU 很低：真‑柜子被拆成几块；假阳性：错误语义区又生成了多余实例。语义预
- 2025-07-17
- 35
- 1
- 3
- 论文阅读
- 点云
2025-07-13
PaperRead：PointCLIP：Point Cloud Understanding by CLIP Introduction 目前，在实际场景中，大规模新采集的3D点云数据中，往往会包含许多“训练时从未见过的类别”，这会让已经训练好的分类器难以识别，再好的模型也会识别失败 2D vision 在2D视觉中已经被Contrastive Vision-Language Pre-training（CLI
- 2025-07-13
- 28
- 1
- 0
- 点云
- 论文阅读
2025-07-09
PaperRead：Sonata：Self-Supervised Learning of Reliable Point Representations Introduction 我们是否拥有一个可靠的点云自监督学习方法，能在多种任务中仅通过简单的线性探测器就发挥出色？ “几何捷径（geometric shortcut）”：模型训练初期，模型的损失很快下降到了理想范围，是因为过于依赖于容易获取的几何属性，而不是更高层次的语义。 CSC：只由表面法线（
- 2025-07-09
- 29
- 1
- 2
- 论文阅读
- 点云
2025-07-08
PaperRead：Self-supervised learning for point cloud data A survey 点云使用自监督的一般流程点云自监督学习的流程可以分为三个阶段：预训练阶段（Pre-training）：模型通过自构造的伪任务在无标签数据上学习特征；有监督微调阶段（Supervised Fine-tuning）：迁移到目标任务，用少量标签训练任务头；推理阶段（Inference）：评估模型在
- 2025-07-08
- 23
- 1
- 0
- 点云
- 论文阅读
2025-04-28
IOS or 鸿蒙？- 上篇 IOS移动端初体验（IPhone）一个月前，由于一些出国旅行和外界因素的影响，也临近毕业了，打算换一部手机，然后因为之前一直使用的是华为P40Pro，然后大一的时候拥有了第一台ipad，ios的第一部体验感很好，其简约的界面UI和顺滑的性能，我很喜欢这个数码产品的使用体验，并且由于华为有很多软件下
- 2025-04-28
- 29
- 1
- 0
- 数码