Point- GNN学习

最新推荐文章于 2024-04-17 09:51:44 发布
最新推荐文章于 2024-04-17 09:51:44 发布
阅读量1.4k 收藏 14
点赞数 3
分类专栏： GNN 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cw178/article/details/114745268
版权

Point- GNN学习

Point- GNN源码学习

一、环境搭建

因为是第一次使用Windows+GPU进行实验，所以补充了很多的基础知识。

1. 了解Windows环境

conda是已经安装过了的，在Windows中打开Anaconda Prompt，输入命令nvidia-smi 查看显卡信息：
在这里插入图片描述
使用命令conda env list 查看本机conda上的虚拟环境以避免创建新的虚拟环境时的命名冲突 ：在这里插入图片描述

2. 配置Point- GNN的环境

根据原作者公开的源码，按照README文档配置运行环境。
首先创建虚拟环境：conda create -n 环境名

最低0.47元/天 解锁文章
安壑
关注
  • 3
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
Point- GNN学习2:开源项目学习
安壑的耕地
03-21 605
Point- GNN学习2:开源项目学习 Point- GNN学习2:开源项目学习Point- GNN学习2:开源项目学习数据集部署相关知识点1、checkpoint问题1、tensorflow和numpy版本配对问题：2、pycharm无法导入安装好的模块3、importError：cannot import name4、OSError: [WinError 126] 数据集部署 将数据集存放到对应的目录下，这需要阅读代码，了解代码中设置的路径。 相关知识点 1、checkpoint 项目的目录中有一个
【文章阅读+代码复现】Point-GNN
热门推荐
有所为，有所成长
04-21 1万+
Brief 在3D点云语义分割方法中,GNN已经做了很多可用的方案，但是在目标检测上依旧是采用比较传统的CNN和稀疏卷积的组合，这一篇文章是研究了图卷积在3D检测的中的用法。来自卡内基梅隆大学。已经被CVPR2020接收. 这里是 paper 这里是 code Abstruct 一个采用GNN设计的3D目标检测框架 过程是先将点云场景编码成图结构，随后设计了一个叫point-GNN的网络结构，在...
Point-GNN:点神经网络
03-20
点神经网络 该存储库包含我们的的参考实现 CVPR 2020 。 如果您发现此代码对您的研究有用，请考虑引用我们的工作： @InProceedings{Point-GNN, author = {Shi, Weijing and Rajkumar, Ragunathan (Raj)}, title = {Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud}, booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, month = {June}, year = {2020} } 入门 先决条件 我们将Tensorflow 1.15用于此实现。如果需要GPU支持，请 。 pip3 ins
探索新颖的图神经网络：Point-GNN
最新发布
gitblog_00065的博客
04-17 397
探索新颖的图神经网络：Point-GNN 项目地址:https://gitcode.com/WeijingShi/Point-GNN 该项目由WeijingShi开发并托管在GitCode上，是一个基于图神经网络（GNN）的创新性框架——Point-GNN。Point-GNN的核心目标是将3D点云数据处理与强大的GNN模型相结合，以实现对非结构化数据的高效分析和理解。 项目简介 Point-GNN...
【文章翻译】Point GNN：使用图神经网络的3d目标检测方法
敲碎键盘的博客
03-23 5884
摘要 在本文中，我们提出了一个图神经网络来从激光雷达点云检测目标。对这个目标，我们将点云有效地编码到一个固定半径的近邻图中。我们设计了一个图神经网络，称为点Point GNN，来预测类别和图中每个顶点所属的对象的形状。在PointGNN里，我们提出了一个自动配准的机制来保证平移不变性（reduce translation variance），并设计一个框合并和打分操作，以精确结合多个顶点的检测结果...
Point-GNN README批注
发布工作学习过程中遇到的问题和解决方案
04-05 2178
Point-GNN README批注 本文件在原作者基础上进行修改，以更适合初学者阅读
阅读笔记--[CVPR2020] Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud
qq_37109317的博客
03-03 587
文章目录Abstruct1、Introduction2、Point-GNN for 3D Object Detection in a Point Cloud2.1 Graph Construction2.2 Graph Neural Network with Auto-Registration Abstruct 提出了一种图神经网络来检测激光雷达点云中的目标，为此将点云编码在一个固定半径的近邻图中。 设计了Point-GNN来预测图中每个顶点所属对象的类别和形状。 在Point-GNN中，作者提出了一种
算法部署-使用TensorRT部署SuperPoint-SuperGlue算法-优质算法部署项目实战.zip
03-06
在第一阶段，SuperGlue利用图神经网络（GNN）来学习特征之间的关系，以增强匹配的准确性。第二阶段，它采用了一种基于注意力的匹配策略，根据特征之间的相似性进行加权，从而提高匹配的鲁棒性。SuperGlue在图像配对...
TensorRT-使用TensorRT+Cpp部署SuperPoint+SuperGlue算法-优质算法部署项目实战.zip
02-28
它引入了一种学习型的图神经网络（GNN）模型，该模型能处理局部特征之间的关系，以增强匹配的准确性和稳定性。SuperGlue不仅可以提高特征匹配的精度，还可以解决由于遮挡、相似性等原因导致的传统匹配方法难以处理的...
A comprehensive survey on point cloud registration.zip
09-23
为了解决这些问题，研究者们提出了一系列技术，如采样策略优化、图神经网络（GNN）和混合深度模型等。例如，使用Kd-Tree或Octree结构来组织点云数据，可以降低计算复杂度并提高效率。同时，半监督和无监督学习也逐渐...
Associatively Segmenting Instances and Semantics in Point Clouds（论文以及代码内容）
04-22
2. **深度学习模型**：为了对点云进行有效分析，论文可能提出了基于深度学习的新网络架构，可能包括卷积神经网络（CNN）、图神经网络（GNN）或其他适应3D数据的变体，如PointNet或PointConv。 3. **联合实例和语义...
深入SuperGlue原理
08-06
对博文https://blog.csdn.net/weixin_48592526/article/details/125354724的补充，内容包括：①SuperPoint网络结构、 ②Attentional GNN、 ③Sinkhorn算法的详细分析
解读CVPR2020：Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud
weixin_42608406的博客
10-22 1522
文章目录1.摘要2.网络结构2.1.Graph Construction3.2.Graph Neural Network with Auto-Registration3.3.Loss3.4.Box Merging and Scoring 1.摘要 本文提出了一种图神经网络Point-GNN来检测点云中的物体，预测每个顶点所属的对象的类别和bounding box。该网络是单阶段网络。 2.网络结构 该网络包含三个组成部分：（a）图形构造（b）T次迭代的GNN（c）边界框的合并和打分 2.1.Graph
[论文笔记（1） CVPR2020] Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud
weixin_38328533的博客
08-03 2205
目录 1.摘要 2.介绍 3.相关工作
【CVPR 2020】Point-GNN 通过图神经网络实现3d目标检测论文解读
JMU-HSF
03-29 6180
【CVPR 2020】Point-GNN （开源）通过图神经网络实现3d目标检测论文解读 文章目录【CVPR 2020】Point-GNN （开源）通过图神经网络实现3d目标检测论文解读摘要介绍相关工作点云数据规则化处理点云直接处理图处理点云Point GNN在点云数据目标检测构建图下采样找寻周围临近点，并将编码临近点的信息为SiPoint GNN主体框架框的合并以及打分Loss实验个人总结（优点...
Point GNN环境配置及运行
Mirage_nd的博客
12-22 1705
Point GNN环境配置及运行，WIN10 多CUDA共存和切换，3D目标检测框，TensorFlow GPU检查，BIN点云文件转化
用于毫米波雷达的GNN：Radar-PointGNN
AI训练师中的点滴
08-04 1438
在传统的Lidar检测领域，检测方法的范式已经趋向成熟，如今的GNN兴起打开了一扇新的大门，对于毫米波数据，由于其局部的关联性强，带有明确的空间位置关系，并且数据稀疏，作者提出了一种基于GNN的毫米波雷达检测方法。首次实现了GNN在Radar上的实现在nuscenes的radar detection task榜单实现sota结果......
PointRcnn论文之KITTI数据集
深海蓝鲸的博客
11-21 1075
  在这项工作中，我们提出PointRCNN 3D对象检测器，以自下而上的方式直接从原始点云中生成准确的3D盒子建议，然后通过基于bin的3D盒子回归损失在规范坐标中对其进行完善。 据我们所知，PointRCNN是第一个通过仅使用原始点云作为输入进行3D对象检测的两阶段3D对象检测器。 PointRCNN在KITTI数据集上进行了评估，并在提交时在所有已发表作品中在KITTI 3D对象检测排行榜上达到了最先进的性能。 object：label,image(图像仅用于可视化),calib,velodyne
Pointnet代码运行及数据集的制作
weixin_44689715的博客
05-14 9702
Pointnet代码运行及数据集的制作： 所需环境： Python3.X Tensorflow：1.14.0 Hdf5 代码下载： 1.Github地址：https://github.com/charlesq34/pointnet 2.git下载 git clone https://github.com/charlesq34/pointnet.git 点云分类 数据集下载 Pointnet所需数据集为modelnet40 下载地址：根据作者给的链接/百度网盘。 链接：https://pan.baidu
LiDAR Point-GNN
08-12
LiDAR Point-GNN是一种基于图神经网络(GNN)的LiDAR点云检测方法。在传统的LiDAR检测领域，检测方法的范式已经相对成熟。然而，GNN的兴起为毫米波数据的处理提供了新的思路。由于毫米波数据具有明确的空间位置关系和稀疏性，作者提出了一种基于GNN的毫米波雷达检测方法。这种方法首次实现了GNN在雷达数据上的应用，并在nuscenes的雷达检测任务中取得了最先进的结果。如果你对GNN和其在雷达检测中的具体实现感兴趣，你可以参考论文中提供的链接获取更多的详细信息。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [3D目标检测综述](https://blog.csdn.net/xinxiang7/article/details/113656895)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [用于毫米波雷达的GNN：Radar-PointGNN](https://blog.csdn.net/weixin_43253464/article/details/126150439)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值