- 博客(12)
- 收藏
- 关注
RSS订阅原创 [Scene Graph] 图神经网络的核心方法——Message Passing
GNN中的Message Passing方法解析一、GNN中是如何实现特征学习的？深度学习方法的兴起是从计算图像处理（Computer Vision）领域开始的。以卷积神经网络（CNN）为代表的方法会从邻近的像素中获取信息。这种方式对于结构化数据（structured data）十分有效，例如，图像和体素数据。但是，CNN的处理方式对于类似图（graph）数据则并不适用。对于一个图而言，类似图像像素的邻近关系是不存在的。考虑图中任意一个节点，我们几乎不可能始终找到8个有序邻近节点，因此类CNN卷积核将不
2021-02-20 20:30:17
5536
5
原创 [Point Cloud] 点云&深度学习专题（1）：点云数据的基本概况
Learning Representations and Generative Models for 3D Point Clouds (ICLR 2018)
2020-07-27 16:42:13
8338
原创 [Ubuntu] 从零开始搭建个人深度学习平台
深度学习计算机装机摸索实验室的机器又又又又崩了，疫情期间又不能顺利返回学校。在一次有一次的麻烦老师帮忙维护后，显卡驱动不出意外的又出现了问题，所以索性咬咬牙自己配一个低配版的深度学习平台，继续炼丹，而且考虑到以后也可以加速科研过程。这篇博文从选材开始从零介绍我搭建的平台，记录我的第一次装机之旅，希望一切顺利。多亏读硕士时的师兄和好朋友的帮忙，从头开始学习了解主机的构造。...
2020-05-26 14:53:13
947
原创 [Point Cloud] 点云分析中的EMD（Earth Mover's Distance）距离
点云分析中的EMD（Earth Mover’s Distance）距离EMD（Earth Mover’s Distance）距离介绍EMD距离，又叫做推土机距离，也叫作Wasserstein。个人理解，EMD距离是离散化的Wasserstein距离，而Wasserstein距离是描述两个连续随机变量的EMD距离。二者数学思想是相同的，但是所描述的对象和应用场景稍有区分。由于个人正在做关于点云数...
2020-02-25 14:14:30
6378
6
原创 [Point Cloud] PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation 论文解读
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation (CVPR 2017)需要解决的问题：设计了一种新的可以直接处理点云，并且与点云输入顺序无关的网络，该网络模型可以用于处理物体分类、场景分割和场景语义分析。这个问题的难点：点云格式是不规则的格式，之前有方法尝试转化成体素或者图像来分析。In...
2019-09-24 16:49:50
506
原创 [SSC] Two Stream 3D Semantic Scene Completion 论文解读
Two Stream 3D Semantic Scene Completion (arXiv 2018)简介这篇文章是在Semantic Scene Completion from a Single Depth Image（CVPR 2017）的基础上加入了像素的颜色信息处理SSC问题的。作者先用2D的方法对彩色图片进行语义的分割，再投影到3D空间中。那些被遮挡的位置体素是没有语义标签的。再使...
2019-09-24 14:22:09
505
原创 [SSC] Sementic Scene Completion from a Single Depth Image 论文解读
Sementic Scene Completion from a Single Depth Image (CVPR 2017)简介这篇文章是最早提出SSC（Semantic Scene Completion）问题的工作，也是每一个研究SSC问题都绕不开的一篇经典论文。文章对SSC问题的理解是这样的：场景补全和语义分割是两个紧耦合的任务，两个任务共同处理可以同时提升两个任务解决方式的性能。在知道...
2019-09-24 14:16:58
600
原创 [Scene Graph] Scene Graph Generation by Iterative Message Passing 论文解读
Scene Graph Generation by Iterative Message Passing (CVPR 2017) 论文解读简介这篇文章在解决scene graph generation这个问题中更加偏向环境全局的上下文信息对于物体标签和关系预测带来的提升。为了获取和利用上下文信息，文章采用RNN-based的网络模型进行图推理。为了简化计算过程和提高计算效率，作者采用GRU（Ga...
2019-09-17 15:29:25
660
3
原创 [Scene Graph] Neural Motifs: Scene Graph Parsing with Global Context 论文解读
[Scene Graph] Neural Motifs: Scene Graph Parsing with Global Context (CVPR 2018) 论文解读简介这篇文章工作的创新之处主要基于对Visual Genome（VG）场景图数据集的分析对模型和工作流进行调整。作者团队对VG数据集内容统计估计后得到两个结论：第一，如果一个关系估计中的主语和宾语一旦确定，那么它们之间的关系也...
2019-09-16 21:57:25
1276
2
原创 [Scene Graph] Knowledge-Embedded Routing Network for Scene Graph Generation 论文解读
[Scene Graph] Knowledge-Embedded Routing Network for Scene Graph Generation (CVPR 2019) 论文解读简介这篇CVPR2019的论文解决的问题是通过一张图像生成相对应的场景图。场景图包括图像中物体区域、区域标签和物体之间的关系。由于作者发现物体和物体之间的关系有些是极为常见的而有些则不是很常见，这种关系分布的不均...
2019-09-10 16:54:45
1565
8
原创 [Arduino] Madgwick算法的数学推演
Madgwick算法的数学推演：基于惯性导航元件的位姿估计《An efficient orientation filter for inertial and inertial/magnetic sensor arrays》 Sebastian O.H. Madgwick文章简介：这篇文章详细的介绍了基于惯性导航元件位姿估计的Madgwick算法的推导过程并将实验结果和基于卡尔曼滤波算法的结果...
2019-05-28 21:28:30
3056
2
原创 [Arduino] MPU9250+Arduino/Genuino101读取传感器数据
MPU9250+Arduino/Genuino101读取传感器数据下文的程序解析来自于sparkfun网站中的MPU9250教程。教程中软硬件讲的很清晰，同时还包括许多扩展阅读，受益良多。这篇笔记会写一下我是如何使用MPU9250传感器，通过Arduino/Genuino101获取传感器数据，并分析该教程中提供的代码文件提供的接口。本人菜鸟新手，这篇文章只是学习记录一些新的知识，以供以后参考。...
2019-05-23 00:07:01
6671
8
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人