通过混沌映射进行3D点云加密

在3D点云的探索性分析和可视化中，选择是一项基本任务。 关于选择方法的先前研究主要是基于诸如局部密度之类的启发式技术而发展的，因此限制了它们在一般数据中的适用性。 具体挑战源于点云（例如，密集与稀疏），视点（例如，遮挡与不遮挡）和套索（例如，小与大）之间的巨大差异。 在这项工作中，我们介绍了LassoNet，这是一种用于3D点云的套索选择的新的深度神经网络，试图学习从视点和套索到点云区域的潜在映射。 为此，我们通过3D坐标变换和朴素的选择将用户目标点与视点和套索信息结合在一起，并通过意图过滤和最远点采样来提高方法的可扩展性。 使用在两个不同点云数据上具有超过30K套索选择记录的数据集来训练分层网络。 我们进行了正式的用户研究，以比较LassoNet与两种最新的套索选择方法。 评估证实，我们的方法提高了3D点云，视点和套索选择的不同组合的选择效果和效率。

点云实用工具（pcu）-用于3D点云上常见任务的Python库 点云实用程序（pcu）是提供以下功能的实用程序库。 请参阅“以获取有关如何使用它们的文档： 用于读取和写入许多常见网格格式（PLY，STL，OFF，OBJ，3DS，VRML 2.0，X3D，COLLADA）的实用程序功能。 如果可以将其导入MeshLab，我们可以阅读！ 在网格上生成点样本的一系列算法： 基于“”的网格的。 用采样网格。 在网格上进行蒙特卡洛采样。 下采样点云的实用程序： 满足蓝噪声分布 在体素网格上 根据点云和三角形网格进行法线估计 点云之间的快速k最近邻搜索（基于 ）。 点云之间的Hausdorff距离。 倒角在点云之间分开。 使用方法的点云之间的近似Wasserstein距离。 安装说明 随着conda 只需运行： conda install -c conda-forge poi

pcl-布尔运算 一组用于在 3D 点云上执行布尔运算（例如并集、交集和差异）的实用程序。 需要 libpcl [ ]

分享一套3D点云视频教程，名字叫深度学习-3D点云实战系列，课程通俗讲解点云领域各大方向应用与核心算法，基于论文讲解Pointnet系列算法知识点并详解其网络模型架构。所有算法均配套实战项目，内容主要包括poinenet系列点云分类与分割，点云补全，点云配准等项目，全部基于实际数据集进行源码解读。

PointNet.pdf

Pointcloud_Labeling_Tool 该工具使您可以在浏览器中标记3D点云。 最后结果 以下链接指向演示该工具的YouTube视频。 安装 安装NodeJS 通过npm安装所有依赖项（npm install） 点云Fromat 每个点云必须上传到名为“ to_label”的AWS S3存储桶。 您必须在“ middleware / datalake.js”中指定存储桶的名称。 在运行服务器之前，请确保导出您的访问密钥和秘密访问密钥。 每个点云必须使用以下格式存储在json文件中。 { "x": [1, 2, 3], "y": [1, 2, 3], "z": [1, 2, 3], "i": [1, 2, 3], "l": [0, 0, 0] } 您可以在“ public / data”下找到一个示例点云json文件 启动工

pyntcloud是用于处理3D点云的Python库。 再次使点云变得有趣pyntcloud是一个Python 3库，可利用Python科学堆栈的强大功能来处理3D点云。 示例（我们建议您通过启动Binder尝试这些示例。）文档安装conda install pyntcloud -c conda-forge或：pip install pyntcloud快速概述您可以从pyntcloud的核心类PyntCloud中访问其大部分功能。 借助PyntCloud，您可以执行复杂的3D处理操作

将单位向量映射到 RGB 立方体上相应的 RGB 颜色。 用于将 3D 点云或网格数据上的法线向量可视化为颜色，而不是有时很难看到箭头方向的 quiver3。

一共6个pcd，包括一个rabbit.pcd和5个小器件的pcd