61_LDGCNN: Learning on Point Cloud via Linking Hierarchical Features 2019 论文笔记

最新推荐文章于 2023-04-18 16:11:31 发布
最新推荐文章于 2023-04-18 16:11:31 发布
阅读量803 收藏 8
点赞数
分类专栏： 三维模型检索 文章标签： 计算机视觉 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/qq_34695780/article/details/108936532
版权
LDGCNN是一种针对点云学习的优化方法，旨在解决DGCNN的网络尺寸过大和深层特征相似性问题。通过链接不同动态图的层次特征，学习边缘信息量，提高网络性能。实验表明，LDGCNN在点云分类和分割任务上表现出高精度，且网络结构更简洁。
摘要由CSDN通过智能技术生成

Linked Dynamic Graph CNN: Learning on Point Cloud via Linking Hierarchical Features
链接动态图CNN：基于链接层次特征的点云学习
代码地址：https://github.com/KuangenZhang/ldgcnn
论文地址：https://www.researchgate.net/publication/332603807_Linked_Dynamic_Graph_CNN_Learning_on_Point_Cloud_via_Linking_Hierarchical_Features
参考：https://www.cnblogs.com/wangchangshuo/p/14005641.html

关键词

深度学习，LDGCNN，点云，分类，分割

解决的问题

•DGCNN依赖于transformation network对点云进行预处理（延续了pointnet的思想）但是这个transformation network使得网络的size翻倍，参数量太大
•深层特征及其邻域可能过于相似，无法提供有价值的边缘向量。

原理

对DGCNN的网络结构进行了优化，以提高网络性能，减小网络模型尺寸。本文网络将不同动态

最低0.47元/天 解锁文章
ltt1825548750
关注
专栏目录
[LDGCNN：Linked Dynamic Graph CNN: Learning on Point Cloud via Linking Hierarchical Features]论文代码阅读笔记
ssq183的博客
08-26 1595
分类任务 代码结构 网络结构 训练feature extractor和classifier：调用的模型是"ldgcnn" 固定global feature; train函数中调用函数：save_global_feature(sess, ops, saver,layers) 该函数将global feature保存在以下路径中： retrain classifier:调用的模型是"l...
课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （上）
Jason_____Wang的博客
03-30 693
课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （上） 本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记 课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！ 本文主要为课程第五章的笔记！ 由于第五章开始进行深度学习领域知识讲解，因此不仅知识量陡增，课程量也加大，因此本章将分为上下两篇笔记进行记录。 课程链接： 三维点云处理——深蓝学院 正式内容: ##########################
Linked Dynamic Graph CNN: Learning on Point Cloud via Linking Hierarchical Features
caibo3913的博客
10-03 869
在DGCNN上做了一些改进： and there are several differences between our LDGCNN and DGCNN: • We link hierarchical features from different layers. • We remove the transformation network. 一是添加了节点的跨层连接，二是把3*...
【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 2647
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.
Learning Hierarchical Features for Scene Labeling
Hello World
04-24 430
这是TPAMI2013的一篇关于做scene parsing（semantic segmentation）的文章，他的会议版本发表于ICML2012，paper连接https://ieeexplore.ieee.org/abstract/document/6338939/，作者的homepage http://www.clement.farabet.net/，作者现在是VP of AI Infra...
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 4983
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
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）
Jojo论文基地
08-28 3214
CVPR 2017 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
Hierarchical Features Driven Residual Learning for Depth Map Super-Resolution 2019TIP 论文阅读
h_l_dou的博客
02-25 1175
Hierarchical Features Driven Residual Learning for Depth Map Super-Resolution 2019 TIP论文阅读 Abstract Abstract Rapid development of affordable and portable consumer depth cameras facilitates the use of ...
【DeepLearning】论文笔记《Learning Hierarchical Features for Scene Labeling》
weixin_38220948的博客
02-27 1446
Farabet C, Couprie C, Najman L, et al. [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2013, 35(8):1915-1929.研究对象： scene parsing主要内容：设计实现了一个针对单个像素分类的效果更好的scene parsing system ，它...
(2016.4.17)文献总结Learning Hierarchical Features for Scene Labeling
u014516925的博客
04-17 3988
文献总结，Lecun的学生的文章，关于卷积网络用于全景图标示（full-scene labeling）,水平有限，难免有理解不当之处，敬请指导。
CVPR2020_Hierarchical Feature Embedding for Attribute Recognition详解
DRACOYU的博客
12-17 1286
摘要 由于视点变化、光照变化和外观变化等原因，属性识别是一项重要而又具有挑战性的任务。以往的工作大多只考虑属性级特征嵌入，在复杂的多类别识别条件下性能较差。为了解决这一问题，我们提出了一种层次特征嵌入(HFE)框架，该框架通过结合属性和ID信息学习细粒度特征嵌入。在HFE中，我们同时维护了类间和类内特征的嵌入。将具有相同属性的样本和具有相同ID的样本更紧密地聚集在一起，限制了视觉上的难样本在属性方面的特征嵌入，提高了对变化条件的鲁棒性。我们利用由属性和ID约束组成的HFE loss建立了该层次结构。我们还
CVPR2021 Generative Hierarchical Features from Synthesizing Images翻译笔记
qq_52560624的博客
04-18 173
本篇文章从GAN出发而提出了进一步的改进，针对GAN虽然可以较好生成模拟真实物体的图像的问题，本文提出了其缺乏以图像为输入并提取其视觉特征的推理能力，并且由于提取到的特征不适合特定的中下游问题，可移植性不强而不能很好的用于真实图像中图像的编辑、协调、分类等的中下游问题。要特别指出的是，生成结构特征（GH-Feat），也就是，是由编码器（encoder）产生的，通过在方程1中代换表示样式特征的代码，GH-feat被输入进生成器的每层AdaIN模块。详细的编码器的结构可以在补充材料中找到。
论文笔记 Hierarchical Convolutional Features for Visual Tracking
xiaoxiang_AQ 的博客
09-05 4015
同样是ICCV 2015的文章，并且与上一篇介绍的FCNT方法不谋而合，都提到了VGG网络不同卷积层提取到的特征类型的不同。 理论基础： 低层网络包含更高空间分辨率的低维视觉信息，可以用于精确的定位，类似于Gabor滤波器；而高层网络获取到更多语义类别信息，相对空间信息少。本文利用高层的语义信息来处理目标外形的变化问题，同时用低层信息进行精准定位。 算法结构： （1）首
Dynamic Graph CNN for Learning on Point Clouds 代码注解
夜晓岚的博客
12-24 1925
论文解读参阅:https://blog.csdn.net/weixin_39373480/article/details/88724518 https://blog.csdn.net/qq_39426225/article/details/101980690 https://blog.csdn.net...
论文笔记：RSCNN Relation-Shape CNN for Point Cloud Analysis
No_max的博客
08-04 2581
论文笔记：Relation-Shape Convolutional Neural Network for Point Cloud Analysis https://arxiv.org/pdf/1904.07601.pdf 摘要 RSCNN 将规则网格上的CNN推广到不规则的点云。 RSCNN 的关键是从关系 relation 中学习，比如点之间的几何拓扑约束。特别地，从采样点到其他点之间，根据预...
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
[Relation-shape CNN]的视频笔记
ssq183的博客
11-18 461
本来是想看看网上有没有关于该篇论文的代码解读，无意中看到该篇论文作者的视频讲解，虽然论文写得很清楚，但是还是决定去看看，或许能增加理解，也能学习作者的研究思路。 ## 视频链接 一些有意思的related work 作者讲解的很全面，也很用心的整理了相关论文，详见作者的GitHub。粉了！！！！ ...
ldgcnn pytorch
最新发布
07-27
很抱歉，我无法回答关于"ldgcnn pytorch"的问题，因为在提供的引用内容中没有相关信息。请提供更多的上下文或明确的问题，以便我能够帮助您。 #### 引用[.reference_title] - *1* *2* *3* [对于pointnet配置相关bug的解决](https://blog.csdn.net/topsogn/article/details/121498146)[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^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
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
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