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

kaggle了解云 Kaggle从卫星图像挑战中了解云中第一名解决方案的代码。 要阅读该解决方案的简要说明，请参阅 复制提交 要在不进行重新培训的情况下复制我的提交内容，请执行以下步骤： 运行bash reproduce.sh 安装 所有要求都应在requirements.txt中进行详细说明。 强烈建议使用Anaconda。 conda create -n cloud python=3.6 conda activate cloud pip install -r requirements.txt 准备数据集 下载数据集 下载train_images.zip和test_images.zip并将其解压缩到数据目录。 $ kaggle competitions download -c understanding_cloud_organization $ unzip understandin

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。

InfiniCLOUD HDRP - URP Volumetric clouds particles.unitypackage

Docker-In-Clouds.pdf

设计你的天空 Massive Clouds Atmos 是一款能够渲染整个天空并具有体积特效的资源。它能让你设计整个天空，并根据不同的天气条件和时区进行实时调整。 它可以同时处理整个天空，包括云、大气散射和雾渲染，让你能够连贯并逼真地用云层和虚弱特效遮蔽光线。 它还可以延伸到由光线步进技术描绘的三维云。 Unity 版本 * 内置 RP - Unity2018.4、Unity2019.3 或更高版本 * 通用 RP - Unity2019.3 或更高版本 * HDRP - Unity2019.3 或更高版本 用于 VR 的 Unity 版本 VR 仅在 Oculus Rift 上经过测试 * 内置 RP(VR) 多通道 - Unity2018.4、Unity2019.3 或更高版本 * 内置 RP(VR) 单通道 - Unity2018.4、Unity2019.3 或更高版本 * 内置 RP(VR) 单通道实例化 - 无法使用 * 通用 RP(VR) 多通道 - 无法使用 * 通用 RP(VR) 单通道 - Unity2019.3 或更高版本 * 通用 RP(VR) 单通道实例化 - 无法使用 * HDRP(VR) - 无法使用 可用的构建目标 * Windows * MacOS * iOS * Android * WebGL2

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）。

U3D体积云插件(3d animated clouds v1.102),导入u3d即可使用。

Clouds V0.1.unitypackage-------unity云天空资源包Clouds