CVPR2018《Graph Attention Convolution for Point Cloud Segmentation》GACNet 笔记

最新推荐文章于 2023-08-14 10:57:18 发布
最新推荐文章于 2023-08-14 10:57:18 发布
阅读量3.4k 收藏 11
点赞数 1
分类专栏： AI 论文
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/qq_34361099/article/details/90725206
版权

Graph Attention Convolution for Point Cloud Segmentation

标准卷积由于其特征的各向同性，在语义点云分割中存在固有的局限性。它忽略了物体的结构，导致分割结果中对物体轮廓的描述较差，有小部分伪区域。作者提出了一种新的图形注意卷积(GAC)，它的卷积核可以被动态地雕刻成特定的形状，以适应对象的结构。具体来说，GAC通过给不同的相邻点分配特定的注意权重，根据它们的特点选择性地聚焦于它们最相关的部分。卷积核的形状是由学习到的注意权值分布决定的。GAC虽然简单，但是可以捕捉点云的结构化特征，进行细粒度分割，避免了对象之间的特征污染。从理论上，作者对GAC的表达能力进行了深入的分析，展示了它如何学习点云的特征。经验上，通过对室内和室外数据集的挑战实验，作者提出的GAC在现有的深度学习方法的基础上，展示了最先进的性能。

相关推荐

  • 更多论文知识点总结与论文
最低0.47元/天 解锁文章
小刀丶
关注
  • 1
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
【2019CVPR学习】翻译-Graph Attention Convolution for Point Cloud Semantic Segmentation
qing_mm的博客
12-02 5180
Graph Attention Convolution for Point Cloud Semantic Segmentation-原文链接 翻得不好，欢迎批评指正。 摘要 标准卷积因为有着特征各向同性而在点云语义分割方面有着内在的局限性。本文提出一种卷积核可以动态调整成适应目标结构的形状的图形注意卷积（GAC）。GAC根据动态学习的特征有选择地关注其中最相关的部分。卷积核的形...
点云深度学习系列由浅入深之--Graph Attention Convolution for Point Cloud Semantic Segmentation
csuwoshikunge的博客
12-01 2493
点云深度学习系列文章解读之--Graph Attention Convolution for Point Cloud Semantic Segmentation1.主要内容1.1 Graph Attention Convolution 1.主要内容 1.1 Graph Attention Convolution
三维点云论文阅读：Graph Attention Convolution for Point Cloud Segmentation
碧落的博客
10-22 1090
本文是方法的概览，下文不包含可舍弃条件随机场的理论分析部分，请查阅原文。
Graph Attention Convolution for Point Cloud Semantic Segmentation--CVPR2019--论文笔记
mei1318874404的博客
04-03 909
论文题目-《基于图注意力卷积的点云语意分割》 引言 在本文中，作者提出了一个新的图注意力卷积模型用于点云语意的分割。 如下图是标准卷积和GAC的区别 左图是标准卷积，其中每个节点的权重仅仅由邻居节点的空间位置决定，所以在学习特征的时候就很难去加以区分不同类别的邻居节点的属性。 右图是GAC，在GAC中由于注意力权重可以区分不同类别的属性，这样的话，我们就能够更加有目的性的去学习更加匹配的特征，就...
【3D计算机视觉】GACNet——点云上的图注意力机制卷积网络
热门推荐
小执着的博客
03-27 1万+
Graph Attention Convolution for Point Cloud Segmentation一. 论文简介1.1 摘要1.2 相关工作Pointnet系列图卷积网络系列二. 模型结构2.1 Graph attention convolution2.2 函数逼近2.3 总体结构三. 实验结果 一. 论文简介 1.1 摘要 本文（CVPR2019刚录入）介绍了一种能在点云上端到端...
CVPR-2020-point-cloud-analysis:专注于点云分析的CVPR 2020论文
05-28
CVPR-2020点云分析专注于点云分析的CVPR 2020论文[][][][] segmention [] segmention classification [] compression oral completion [代码] 基于图像的3D对象检测的端到端伪LiDAR [代码] 点网络segmentation 更...
CVPR2018_attention:语义分割MegaDepth的上下文编码
05-15
CVPR2018_attention 用于语义分割的上下文编码MegaDepth：从互联网照片中学习单视图深度预测LiteFlowNet：用于光流估计的轻量级卷积神经网络PWC-Net：使用金字塔，翘曲和成本量的光流CNN 语义分割模型对对抗攻击的...
[论文阅读笔记]Contrastive Boundary Learning for Point Cloud Segment
10-08
【论文阅读笔记】《对比边界学习用于点云分割》（CVPR 2022） 这篇论文关注的是3D点云分割中一个重要的问题——边界处理。现有的点云分割方法在处理边界区域时表现较差，这直接影响了整体分割的精度。论文的作者...
【CVPR2018】A Causal And-Or Graph Model for Visibil
06-14
【CVPR2018】A Causal And-Or Graph Model for Visibility Fluent Reasoning in Tracking Interacting Objects一种因果图模型，用于跟踪交互对象的可见性流利推理
ASNet:固定预测驱动的显着物体检测（CVPR2018）
05-03
Borji， 2018年IEEE计算机视觉和模式识别会议（CVPR） ，J.沉，董X.，A Borji和R.阳， IEEE Trans。 模式分析与机器智能（TPAMI），2019年================================================== ===================...
点云切片；点云平面切割
11-23
主要用于三维点云的平板分割, 每次只能分割出一个平面。 (It is mainly used for 3D point cloud segmentation.Only one plane can be segmented at a time.)
8/17 (arXiv2020) Feedback Graph Attention Convolutional Network for Medical Image Enhancement
qq_40723205的博客
08-18 283
Q1: 图像增强是指什么？ 图像在环境，光线的影响下，造成图像模糊不清晰，对比度低，图像增强的目的就是 利用某种手段提高图像的对比度，突出图像中人物或物体，有利于后边的识别等处理。 Q2：自相似先验知识 绿色的三个框，场景内容一样，分辨率不一样 蓝色的三个框，分辨率一样，但是某些区域在这张图像有，另一张图像没有，就是不同的位置丢失信息不一样。 自相似性作为约束做图像超分。 本文方法将先验知识放入网络中，构造图卷积神经网络，自己学习自相似先验知识（pach之间的相似性以及相似性程度） 本文提
使用深度学习的三维点云分类的介绍
baidu_17611285的博客
09-20 1267
https://www.cnblogs.com/li-yao7758258/p/8182846.html
RGCNN：用于点云分割的规则化图CNN
weixin_43525324的博客
08-22 2662
原创微博，转载请声明 paper：https://arxiv.org/abs/1806.02952v1 code：https://github.com/tegusi/RGCNN Regularized Graph CNN for Point Cloud Segmentation （作者北大和美图公司，得到了MSRA协作研究项目和阿里巴巴创新研究支持） 背景： 以前的点云分割工作可以分为模型驱动的分...
.Net GAC
天高云淡的专栏
06-29 3038
 最近几天因为工作需要，开始接触.Net 的GAC，原因就是开发的业务组件经常需要升级，新开发的程序对这个问题要有一个明确的解决方法，手头没有合适的书，只能google了，经过google后把问题归结如下：一、使用强签名   1、所有的DLL必须使用强签名；   2、需要对生成的DLL进行版本管理；   3、对使用的snk文件在项目组内进行管理；   4、在程序部署时，将程序使
【论文阅读】PAIRWISE LINKAGE FOR POINT CLOUD SEGMENTATION-ISPRS-luxiaohu
自动驾驶行业学习、交流
07-05 995
目录PAIRWISE LINKAGE FOR POINT CLOUD SEGMENTATION1. INTRODUCTIONclustersegmentObjectives and Motivation2. PAIRWISE LINKAGECutoffDistance:截止距离的选取Density：密度的计算Pairwise Linkage:建立linkage关系，保存聚类中心点Hierarchical Clustering:分层聚类ClusterMerging:3. P-LINKAGE FOR POINT
点云分割复现——pairwise linkage for pointcloud segmentation论文实现
阁楼
03-23 4480
点云分割复现——pairwise linkage for pointcloud segmentation论文实现demo展示项目地址复现流程后续 demo展示 算法1： 算法2： 算法3： 项目地址 GitHub：项目地址 论文链接：论文地址 复现流程 1、源码下载 2、解压缩，然后将src文件夹中.h与.cpp文件全部拷贝到新的vs工程中。 3、新建vs工程，将刚刚拷贝的头文件与源文件添加到项目中，如下图所示。 3、配置相关环境，如下图所示，只要添加opencv的属性文件即可，这里也添加pc
PAIRWISE LINKAGE FOR POINT CLOUD SEGMENTATION论文解读
qq_45250951的博客
08-14 152
基于边缘/边界的方法试图检测形成封闭边界的表面中的不连续，然后在识别的边界和连接的边缘内对点进行分组，这些方法通常应用于深度图，其中边缘被定义为局部表面属性变化超过给定阈值的点。局部表面性质主要是表面法线、梯度、主曲率或高阶导数(Sappa和Devy, 2001, Wani和Arabnia, 2003)。但是由于噪声或者三维空间中点分布的不连续，这种方法通常检测到不连接的边缘，这使得它们很难在没有填充或解释程序的情况下识别闭合的片段(Castillo等人，2013)。
rgcnn代码解释_点云基于图论的处理方法
weixin_39926739的博客
12-19 403
本系列是按照bilibili上刘永成博士的分享课的论文笔记，主要针对点云基于图论的处理方法。 这一部分主要讲解的方法包括：DGCNN、RGCNN、Spectral Graph Convolution、DeepGCNs转自我的个人博客:harrylin's blog​harrylin-hyl.github.ioDGCNN (TOG 2019)DGCNN: Dynamic Graph CNN for ...
cvpr2018 clipq
最新发布
11-11
CVPR2018首次引入了一个名为ClipQ（Clip Quality）的评价指标，用于衡量图像检索的质量。传统的图像检索任务通常使用精确率（Precision）和召回率（Recall）作为评估指标，但这两个指标无法完全反映出图像检索结果的...

“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 2
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