SampleNet：可微分的点云采样 由特拉维夫大学的Itai Lang，Asaf Manor和Shai Avidan创建。 介绍 这项工作基于我们的。请阅读它以获取更多信息。也欢迎您观看CVPR 2020的。 直接在点云上工作的任务越来越多。随着点云大小的增加，这些任务的计算需求也随之增加。一个可能的解决方案是首先对点云进行采样。经典采样方法（例如，最远点采样（FPS））不考虑下游任务。最近的一项工作表明，学习针对特定任务的采样可以显着改善结果。但是，提出的技术并未处理采样操作的不可微性，而是提供了一种解决方法。 我们为点云采样引入了一种新颖的微分松弛。我们的方法采用了一种软投影操作，该操作将采样点近似为主要输入云中的混合点。近似值由温度参数控制，并在温度变为零时收敛到常规采样。在训练过程中，我们使用投影损耗来鼓励温度下降，从而使每个采样点都靠近输入点之一。 这种近似方案可在各种应用（例

Hi~ 可私信我了解后再进行下载~ 1.基于halcon算法平台； 2.提供深度图源文件以及解压密码； 3.代码预览： */******************************************************************************** * @文档名称: 3D点云体积计算。 * @作者: hugo * @版本: 1.1 * @日期: 2021-7-2 * @描述: 该方法支持3DROI创建以及点云体积计算。 ***************************************************/

提出一种非结构化点云特征线提取方法, 其过程主要分为区域分割和特征检测两个阶段。在区域分割阶段, 引入社会粒子群优化模糊C-均值聚类算法对点云数据进行区域聚类, 得到边界清晰的各个分区, 便于后续边界特征的提取; 在特征检测阶段, 对各个分区进行局部径向基函数曲面重构, 以获取各个分区内采样点的曲率信息。提出基于平均曲率计算的局部特征权值, 并通过局部特征权值和曲率极值法对特征点进行双重检测。并通过建立特征点的最小生成树构建特征曲线。对不同点云模型进行特征线提取实验, 结果表明, 本文方法既能够提取点云模型中的显著特征和尖锐特征, 也能够很好地提取特征强度变化的曲线特征。

cs263项目 Google App Engine 上的点云处理 现在有相对便宜的 3d 传感器可供消费者使用，例如 Microsoft Kinect。 大多数点云处理是在带有 PCL 库的 PC 上完成的。 这是我第一次尝试在云中进行点云计算。 目前支持：通过网页上传点云。 列出点云。 以编程方式从 kinect 传感器上传点云。 任务队列用于处理 PCD 文件。 Memcache 用于缓存点云列表。 Datastore 用于存储点云信息（即类型、数据格式、分辨率和名称）。 Blobstore 用于存储由点本身组成的点数据，它们存储在数据存储中。 Selenium测试 您将不得不修改 PCD 文件位置的测试。 似乎不支持相对路径。 在 project/tests/ 中加载 selenium 测试套件

斯坦福bunny兔子点云，包含txt、ply、pcd、iv全部版本，验证可用

使用PCL的点云滤波程序，调用PCL枯函数建立Kdtree，进行点云滤波

引入了PREDATOR模型，该模型用于成对点云注册，它非常关注重叠区域。用于两点云的潜在编码之间的早期信息交换。以这种方式，将潜在表示转换为每个点特征的后续解码以相应的另一个点云为条件，从而可以预测哪些点不仅是显着的，而且还位于两个点云之间的重叠区域中。专注于与匹配相关的点的能力极大地提高了性能：PREDATOR在低重叠情况下将成功注册的比率提高了20％以上，还为3DMatch基准设定了89％的最新技术水平注册召回。

matlab生成，长度为20m*20m*20m

航测遥感-LidarFeature点云处理与测图软件 宏图三维激光点云测图系统.docx

毛竹林资源具有高效固碳能力,对全球碳平衡的贡献和碳交易的经济效益使其受到社会广泛关注。由于毛竹林冠层结构复杂和郁闭度高,传统测量手段无法精确测算其蓄积量。基于此,利用三维激光扫描仪获得毛竹冠层的LiDAR点云数据,尝试通过点云密度来估算其蓄积量。研究结果表明:毛竹冠层蓄积量与其竹竿、竹枝的点云密度之间存在一定的数学模型;通过样本检验,毛竹冠层内部竹竿与枝条的模型精度分别可达95.53%和91.36%。