几何深度学习必读论文推荐

几何深度学习（Geometric Deep Learning）是指对几何对象如网络、空间点云、曲面等应用深度学习算法。深度学习喜欢 End-to-End 解决问题，中间过程有比较多的黑盒，在很多很难完整描述出数学模型的识别类任务中表现尤为出色。但是在传统的几何里面，很多工作是有比较好的数学基础的（比如摄影几何、李群与李代数、BA等等），如果抛弃这些理论全盘黑盒方式解决，有时未必有很好的效果。因此，对于几何深度学习方向来说，可以利用深度学习的方式改进传统的几何方法的某些环节，或者利用深度学习强大的特征学习能力再与几何方式结合。

该论文集共收录185篇论文，最高引用数是2497，来自斯坦福大学的Leonidas J. Guibas
在该领域发表了18篇论文，在所有学者中最多。

论文集地址：https://www.aminer.cn/topic/5fcf1f4d92c7f9be21ea70fa

订阅了解更多论文信息，定制您的个人科研动态信息流：https://www.aminer.cn/user/notification

#论文# #AMiner#