融合离散点云和数字影像的油菜成熟期模型重建，常婷婷，汪星宇，目前，对农作物进行无损观测对精准农业具有重要意义。本研究利用近景激光测距仪获取的离散点云和数字影像数据，实现了油菜成熟期

点云标签工具 用于标记单点云或点云流的工具。 给定KITTI点云数据集的姿态，我们将加载重叠点云的图块。 因此，在某个区域中一次标记了多个点云。 特征 支持KITTI视觉基准点云。 xml中易于阅读的标签描述文件允许定义标签名称，id和颜色。 现代OpenGL着色器，甚至可以渲染数百万个点。 用于标记单个点和多边形的工具。 标签的过滤使轻松标记复杂的结构变得容易。 依存关系 柳絮 本征> = 3.2 提升> = 1.54 QT> = 5.2 OpenGL核心配置文件> = 4.0 （柳絮包） 建造 在Ubuntu 16.04和18.04上，可以从程序包管理器安装大多数依赖项： sudo apt install git libeigen3-dev libboost-all-dev qtbase5-dev libglew-dev catkin 此外，请确保您已安装和动词：

KeypointNet 完整的数据集现在可用！ KeypointNet是一个大规模且多样化的3D关键点数据集，通过利用基于ShapeNet模型的众多人工注释，包含来自16个对象类别的83,231个关键点和8,329个3D模型。 我们的论文可在上获得并被CVPR 2020接受。您可以在以下位置浏览我们的数据集 。 消息！ 现在发布了两个有趣的无监督关键点检测器： （无序但SE（3）不变）和 （非SE（3）不变但有序）！ 变更记录 有关更新的数据集信息，请参阅 关键点数据 数据集可以从或下载。 带注释的JSON数据放置在注释下。 此外，我们还提供了下PCD的每个ShapeNet模型采样点云（2048点）。 我们已经为飞机（1022型号），浴缸（492型号），床（146型号），瓶子（380型号），瓶盖（38型号），汽车（1002型号），椅子（999型号），吉他等标签进行了处理和清洗。

TEASER ++：快速且可认证的3D注册 TEASER ++是使用C ++编写的具有Python和MATLAB绑定的快速且可靠的点云注册库。 关于 左：由生成的对应（绿线和红线分别表示根据地面真实情况的离群值和离群值对应）。右：由TEASER ++估算的对齐方式（绿色点表示由TEASER ++找到的像素）。 TEASER ++可以解决3D中两点云之间的刚体转换问题。即使输入的对应关系中有大量异常值，它也能很好地执行。有关概念的简短介绍，请我们的。有关更多信息，请参阅我们的论文： ， ，和 ， “TEASER：快速认证的点云登记”。 [cs，math]，2020年1月。（ ） 和 ，“具有极高异常值率的鲁棒配准的多项式时间解决方案”，《机器人技术：科学与系统》（RSS），2019年。（ ） 如果您发现此库有用或在您的项目中使用它，请引用： @article { Yang20

使用Katz投影将点云投影到2D虚拟图像中。然后我们使用预先训练的卷积神经网络对图像进行语义分割。为了获得语义分割的点云，我们将分数从分段投影回点云。我们的方法是在semantic3D数据集上进行评估的。我们发现我们的方法与最先进的技术相当，没有对Semantic3D数据集进行任何微调。

DeepGCN：GCN可以像CNN一样深入吗？ 在这项工作中，我们提出了成功训练非常深的GCN的新方法。 我们从CNN借用概念，主要是残差/密集连接和膨胀卷积，然后将其适应GCN架构。 通过广泛的实验，我们证明了这些深层GCN框架的积极作用。 概述 我们进行了广泛的实验，以展示不同的组件（＃Layers，＃Filters，＃Nearest Neighbors，Dilation等）如何影响DeepGCNs 。 我们还提供了针对不同类型的深层GCN（MRGCN，EdgeConv，GraphSage和GIN）的消融研究。 进一步的信息和详细信息，请联系和 。 要求 （仅用于可视化） （仅用于可视化） conda环境 为了设置运行所有必要依赖项的conda环境， conda env create -f environment.yml 入门 您将在文件夹中找到有关如何使用我们的代码对3

国防科技大学郭裕兰老师课题组新出的这篇论文对近几年点云深度学习方法进行了全面综述，是第一篇全面涵盖多个重要点云相关任务的深度学习方法的综述论文，包括三维形状分类、三维目标检测与跟踪、三维点云分割等，并对点云深度学习的机制和策略进行全面的归纳和解读，帮助读者更好地了解当前的研究现状和思路。

张吴明教授在2016年提出的布料模拟”滤波算法，从一个新的角度进行点云地面点滤波，可以简单、方便的设置滤波器参数，并取得了不错的效果。（博客中基于这篇文章的理解对此算法进行了简要介绍）。

In this paper we present a method for fast surface reconstruction from large noisy datasets. Given an unorganized 3D point cloud, our algorithm recreates the underlying surface’s geometrical properties using data resampling and a robust triangulation algorithm in near realtime. For resulting smooth surfaces, the data is resampled with variable densities according to previously estimated surface curvatures. Incremental scans are easily incorporated into an existing surface mesh, by determining the respective overlapping area and reconstructing only the updated part of the surface mesh. The proposed framework is flexible enough to be integrated with additional point label information, where groups of points sharing the same label are clustered together and can be reconstructed separately, thus allowing fast updates via triangular mesh decoupling. To validate our approach, we present results obtained from laser scans acquired in both indoor and outdoor environments.