Dynamic Graph CNN for Learning on Point Clouds代码调试

于 2022-12-01 11:08:47 发布
阅读量332 收藏 2
点赞数 1
分类专栏： mmdetection3D DGCNN 图神经网络 文章标签： cnn 深度学习 人工智能
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/dydwl/article/details/127976876
版权
本文档详细记录了Dynamic Graph CNN (DGCNN)在处理点云数据时的模型初始化和训练流程测试。从GF模块、FA模块到DGCNNHead的各个组件，包括QueryAndGroup方法的使用，以及在训练过程中关键参数的设置，如EncoderDecoder3D、DGCNNBackbone和DGCNNHead的功能。通过这个调试过程，可以深入理解DGCNN在点云学习任务中的工作原理。
摘要由CSDN通过智能技术生成
声明
代码：源自MMDetection3D
论文题目：Dynamic Graph CNN for Learning on Point Clouds
论文连接：https://par.nsf.gov/servlets/purl/10124348
测试环境：PyTorch 1.9.0 Python 3.8(ubuntu18.04) Cuda 11.1
测试文件：dgcnn_32x4_cosine_100e_s3dis_seg-3d-13class-area1.py
测试数据集：S3DIS Seg Dataset

1.模型初始化

1.1GF模块

在这里插入图片描述

1.2FA模块

在这里插入图片描述

1.3Decode_head在这里插入图片描述

2.训练流程测试

2.1配置文件

①.分割器使用的EncoderDecoder3D；主干网络DGCNNBackbone；头部DGCNNHead；
②.data中samples_per_gpu=32表示batch；采样点数num_points=4096;

2.2EncoderDecoder3D
def forward_train(self, points, img_metas, pts_semantic_mask):

①.输入的数据points：类型list-32，大小(4096,9)；img_metas: 类型list-32，每个元素为dict-2；pts_semantic_mask:类型list-32,大小(4096,)

points_cat = torch.stack(points)
pts_semantic_mask_cat = torch.stack(pts_semantic_mask)

②.points_cat:(32,4096,9); pts_semantic_mask_cat: (32,4096)

x = self.extract_feat(points_cat)

③.调用EncoderDecoder3D中提取特征的方法，进入backbone中

def extract_feat(self, points):
	x = self.backbone(points)
	......

进入DGCNNBackbone

2.3DGCNNBackbone
def forward(self, points):
	gf_points = [points]
	......

①.前向传播，gf_points：list类型，元素大小(32,4096,9)

for i in range(self.num_gf):
	cur_points = self.GF_modules[i](gf_points[i])
	gf_points.append(<
最低0.47元/天 解锁文章
学一点@
关注
专栏目录
【论文阅读】Dynamic Graph CNN for Learning on Point Clouds
weixin_45616624的博客
05-24 1303
论文题目: Dynamic Graph CNN for Learning on Point Clouds (用于点云学习的动态图卷积神经网络) 论文出处: ACM Transactions on Graphics 2019
【3D计算机视觉】Dynamic Graph CNN——点云动态图卷积神经网络
热门推荐
小执着的博客
03-21 1万+
Dynamic Graph CNN for Learning on Point Clouds1.简介1.1 解决的问题1.2 贡献1.3 EdgeConv的优缺点：2.网络结构2.1 EdgeConv层介绍2.2 函数的选择2.3 示意图3.实验结果： 1.简介 该文章是最新出的一篇针对Point Clouds数据分类、分割的网路，它是受点云数据处理的鼻祖论文PointNet、PointNet++...
(TOG 19) DGCNN: Dynamic Graph CNN for Learning on Point Clouds
dloading7的博客
04-03 2268
DGCNN[1]主要提出了EdgeConv操作，在点云上能够进行类似CNN在图像上所进行的操作，可以适用于分类与分割任务。 EdgeConv Graph Construction 对于点云中某点 xi{x_i}xi​ ，利用KNN操作构造有向图G=(V,E)G = \left( {V,E} \right)G=(V,E)，其中VVV代表图中各个顶点，EEE代表边。如下图所示： Graph Convolution 定义EdgeConv的核心操作为： 可以看到，对于中心点xix_ixi​与xjx_jxj​，.
[3D目标检测和分割系列]Dynamic Graph CNN for Learning on Point Clouds
fanfan121314的博客
09-20 714
文章标题：Dynamic Graph CNN for Learning on Point Clouds 要解决的关键问题：利用图模型，或者图模型的思想来学习点云的特征表示 关键词：边卷积 点云分类 点云分割 Related Work 手动设计的特征 有很多的任务针对几何数据的处理和分析，包括分割，分类和匹配，他们都需要一些形状之间的局部相似性。一般来说，这个相似度是通过建立在能够获得局部集合结构的特征描述子。计算机视觉以及图形学的很多的文章，都针对点云提出了局部特征描述子，这些描述子能够是适应于不同的问题
【点云处理之论文狂读经典版14】—— Dynamic Graph CNN for Learning on Point Clouds
yuanmiyu6522的博客
06-16 2354
记X={x1,…,xn}⊆RF\mathbf{X}=\left\{\mathbf{x}_{1}, \ldots, \mathbf{x}_{n}\right\} \subseteq \mathbb{R}^{F}X={x1​,…,xn​}⊆RF为输入点云，其中nnn是点的数量，FFF是点的维度，在最简单的情况下，F=3F=3F=3，每个点都包括了3D坐标xi=(xi,yi,zi)\mathbf{x}_{i}=\left(x_{i}, y_{i}, z_{i}\right)xi​=(xi​,yi​,zi​)，在其
Dynamic Graph CNN for Learning on Point Clouds （Edgeconv)
weixin_43996345的博客
10-12 956
论文链接：http://arxiv.org/abs/1801.07829 疑问：Related work里的geometric deep learning？？ spirit graph neural networks? 引言： 这篇文章主要总结了前人关于voxel和Pointnet的理论，并且提出了一种有效提取几何结构的操作层方式（Edgeconv)，并且在保留了排列不变性的基础上说明了动态更新图...
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 4965
文章目录摘要简介：2 背景2.1 数据集2.2 衡量指标3 3D形状分类3.1基于多视角的方法3.2基于体素的方法3.3 基于点的方法3.3.1逐点MLP网络3.3.2基于卷积的网络3.3.3基于图的网络3.3.4基于数据索引的方法3.3.5其他方法小结4 3D物体检测与跟踪4.1 3D物体检测4.1.1 基于候选区域的方法4.1.2 single-shot方法4.2 3D对象跟踪4.3 3D场景流估计4.4 小结：5 3D点云分割5.1 3D 语义分割5.1.1 基于投影的方法5.1.2 基于离散的方法5
【论文阅读】【综述】Deep Learning for 3D Point Clouds: A Survey
麒麒哈尔的博客
02-07 5137
文章目录Survey3D Shape ClassificationProjection based 本文是最新的使用深度学习处理点云的综述文章，本文所提及的方法非常全，可以作为一个文章索引来看，而且本论文对方法的分类也很有意义。但是作为综述性文章，本文每章节的结论有点弱，并没有通过对文章的综述产生太多指导性的结论。但总体来说，这篇文章对于读者，起到了查缺补漏和搭建知识框架的作用。 接下来，有些我读...
DGCNN-master.zip
08-20
A powerful deep neural network toolbox for graph classification, named Deep-Graph-CNN (DGCNN). DGCNN features a propagation-based graph convolution layer to extract vertex features, as well as a novel SortPooling layer which sorts vertex representations instead of summing them up.
【mmdetection3d】——03自定义数据预处理流程
m0_45388819的博客
11-08 3457
教程 3: 自定义数据预处理流程 数据预处理流程的设计 遵循一般惯例，我们使用 Dataset 和 DataLoader 来调用多个进程进行数据的加载。Dataset 将会返回与模型前向传播的参数所对应的数据项构成的字典。因为目标检测中的数据的尺寸可能无法保持一致（如点云中点的数量、真实标注框的尺寸等），我们在 MMCV 中引入一个 DataContainer 类型，来帮助收集和分发不同尺寸的数据。请参考此处获取更多细节。 数据预处理流程和数据集之间是互相分离的两个部分，通常数据集定义了如何处理标注信息，而
cuda_knn vs torch.topk()
alfred_torres的博客
03-21 2365
发现一个快速的KNN gpu算法 KNN_CUDA DGCNN KNN 之前的knn算法用的都是DGCNN里面的torch.topk(),但是效率很低，网络训练既占用显存又慢；代替的pointnet2中的ball_query方法又不是严格的knn，可能会导致训练精度变低。 ### DGCNN knn def knn(x, k): inner = -2*torch.matmul(x.transpose(2, 1), x) xx = torch.sum(x**2, dim=1, keepdim=
Dynamic Graph CNN for Learning on Point Clouds
caibo3913的博客
10-03 1891
提出了一种动态边卷积，给定一个近邻数量k，从输入的n*3点云开始，第一次点的特征只包括xyz三个属性，然后每个点计算自己的k近邻点，针对每个点与自己k近邻点形成的点对，其对应的edge维度为6，因为是两个点特征的concat，总共有n*k*6个特征，这就是所有的edge，然后在n*k*6的edge张量中进行1*1卷积，变成n*k*64，然后在k的维度取max，变成n*64，这就是一轮edge卷...
CVPR2019 Relation-Shape CNN、ICCV2019 Dense Point论文及源码学习
Polaris
03-13 2845
Ralation-Shape CNN 通过深度学习将关系学习从2D学习拓展到3D上。 参考： bilibili: 中科院模式识别国家重点实验室在读博士生刘永成：深度学习在3D点云处理中的探索 github: yongchengliu ...
DGCNN
qq_44902566的博客
06-05 506
2022.6.5 记录
DGCNN (Dynamic Graph CNN for Learning on Point Clouds,动态图卷积网络)
T5A_318的博客
09-23 4105
1. 解决问题 2. 关键思想 DGCNN 认为 pointnet++ 属于静态图卷积： pointnet++ 根据点对的欧氏距离构建图，然后在每一层进行图粗化操作。使用最远点采样选取点作为下一层的输入。这样使得每一层的图不断减小，但是图的结构没有改变。 DGCNN 的动态图，是因为在特征空间取k近邻，每层计算的特征都不相同，因此相当于每一层的图都具有不同的顶点。 实验证明，特征空间中的距离可以更好的拉近相同语义点的距离。这样不仅学习到了点云的几何信息，而且学习如何对点云进行分组。 ..
Dynamic Graph CNN for Learning on Point Clouds 解析
legend_hua的博客
01-26 1万+
该文章是最新出的一篇针对Point Clouds数据分类、分割的网路，它是受点云数据处理的鼻祖论文PointNet、PointNet++的启发所进行的修改，PointNet只是独立处理每个点，来实现permutation invariance，但忽视了点之间的局部特征。所以这篇文章主要提出了一个EdgeConv层来实现获取局部特征，解决PointNet所没有的处理局部特征的问题。 一、网络结构
深度学习在graph上的应用
ikerpeng
06-02 3472
转载请标明出处： 本文要介绍的这一篇paper是ICML2016上一篇关于 CNN 在图（graph）上的应用。ICML 是机器学习方面的顶级会议，这篇文章-->--所研究的内容也具有非常好的理论和实用的价值。如果您对于图的数据结构并不是很熟悉建议您先参考本文末的相关基础知识的介绍。 CNN已经在计算机视觉（CV）以及自然语言处理等领域取得了state-of-art 的水平，其中的数据可以被称作是
【论文笔记】动态图神经网络处理点云 LDGCN: Linked Dynamic Graph CNN 2019
phy12321的博客
09-26 2635
南方科技大学 代码链接https://github.com/KuangenZhang/ldgcnn 本文是基于DGCNN和PointNet进行改进之后的工作，主要是用于点云特征提取任务，可以很方便的扩展到点云分类和点云分割任务。主要工作就是在DGCNN的基础上加了不同层之间的skip connections，作者称之为"link",使得点云分类精度有了0.7% 的提升，而且由于去掉了点云变换网络，速度比DGCNN更快了。 现有的点云分类任务上精度最好的网络是DGCNN（1024个点，不使用额外的法向量信.
pyqt to draw a 100k point Dynamic graph, what controls should I use
最新发布
03-31
As an AI language model, I don't have personal experience using PyQt, however, here are some suggestions: 1. Use a QGraphicsView to display the graph. This provides a scalable and efficient way to display large amounts of data. 2. Implement a custom QGraphicsItem to represent each point on the graph. This item can be optimized to only redraw when necessary to improve performance. 3. Use a QTimer to periodically update the graph with new data. This can be used to simulate a dynamic graph by adding new points over time. 4. Consider using a separate thread or process to handle the data processing and updating of the graph. This keeps the UI responsive and prevents it from freezing while processing large amounts of data.
评论
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

打赏作者

学一点@

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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