DGCNN：Dynamic Graph CNN for Learning on Point Clouds 论文笔记

最新推荐文章于 2022-12-01 11:08:47 发布
最新推荐文章于 2022-12-01 11:08:47 发布
阅读量441 收藏
点赞数
分类专栏： 三维模型检索 文章标签： python
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/110720351
版权
ltt1825548750
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 1401
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
Dynamic Graph CNN for Learning on Point Clouds （Edgeconv)
weixin_43996345的博客
10-12 985
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...
论文笔记：DGCNN（EdgeConv）
热门推荐
hongbin_xu的博客
12-26 4万+
Dynamic Graph CNN for Learning on Point Clouds DGCNN 1、四个问题 要解决什么问题？ 使用深度学习处理3D点云。 设计一个可以直接使用点云作为输入的CNN架构，同时可以获取足够的局部信息，可适用于分类、分割等任务。 用了什么方法解决？ 提出了一个新的神经网络模块——EdgeConv。 EdgeConv是可微的，并能嵌入已有的...
(TOG 19) DGCNN: Dynamic Graph CNN for Learning on Point Clouds
dloading7的博客
04-03 2312
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​，.
【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 2447
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
DGCNN(Edge Conv) : Dynamic Graph CNN for Learning on Point Clouds
761527200_leili的博客
10-04 3915
论文地址 一.网络结构图示例 首先，本文开门见山给出网络结构图，以及non-local的思想，简单来说就是相似特征不一定是在local局域内，再来介绍了作者提出的核心方法EdgeConv，下面是EdgeConv的优点： （1）它整合了当地的邻近点的信息 （2）它通过叠加当前点逐渐学习全局形状属性 （3）在经过多层迭代更好的捕捉到潜在的远距离相似特征 二.Introduction 1.考虑到网格重...
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
Dynamic Graph CNN for Learning on Point Clouds代码调试
dydwl的博客
12-01 357
针对DGCNN代码的个人调试
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 5135
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
胶囊图神经网络20190823.pdf
08-23
将胶囊神经网络与图论结合起来的一篇文章，看看别人都是怎么干的
【1801.07829】DGCNN：Dynamic Graph CNN for Learning on Point Clouds
py今天刷题了吗
04-28 801
文章目录3. 参考资料 3. 参考资料 论文笔记：DGCNN（EdgeConv） – 学习论文总结的风格 论文阅读 点云动态图卷积(DGCNN) – 两个创新点：1. EdgeConv ；2.动态图更新 论文笔记：（TOG2019）DGCNN : Dynamic Graph CNN for Learning on Point Clouds – 翻译 – 关注博主的点云分类专栏:https://www.cnblogs.com/wangchangshuo/p/13960031.html 搞懂D.
[3D目标检测和分割系列]Dynamic Graph CNN for Learning on Point Clouds
fanfan121314的博客
09-20 749
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
Dynamic Graph CNN for Learning on Point Clouds
caibo3913的博客
10-03 1908
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...
DGCNN (Dynamic Graph CNN for Learning on Point Clouds,动态图卷积网络)
T5A_318的博客
09-23 4232
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。 ..
【3D计算机视觉】Dynamic Graph CNN——点云动态图卷积神经网络
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++...
【论文笔记】动态图神经网络处理点云 DGCNN : Dynamic Graph CNN for Learning on Point Clouds 2019
phy12321的博客
09-20 2907
DGCNN，继Pointnet之后点云特征提取的又一代表性工作. Pointnet是先在每个点的特征上各自进行MLP提取(没有点与点之间的特征交流),最后使用MAXpool将所有点的特征融合在一起,得到一个对总体点云的1024维的特征描述子,因此可以将Point net作为点云全局特征的提取器. 相比Pointnet,DGCNN则可以对点云的局部几何特征进行提取和利用.DGCNN采用了图神经网络对点云特征逐步进行更新和融合，即Edge conv. DGCNN中的节点每一个点云的特征,边由在特征空间中定义的邻
Dynamic Graph CNN for Learning on Point Clouds(DGCNN)论文阅读笔记——核心思想：EdgeConv细析
Codefmeister's BLOG
12-15 1664
DGCNN 前言与声明 因为关心的领域主要是配准，对于分类等网络的架构设计分析并没有侧重太多，主要侧重的是EdgeConv的思想。 文中图片全部来自于PointNet，PointNet++，DGCNN论文中的配图。若有侵权请联系笔者删除。 转载请标明出处，谢绝商业转载。 论文 Dynamic Graph CNN for Learning on Point Clouds Wang, Yue and Sun, Yongbin... 核心思想:关于EdgeConv 将点云表征为一个图，G(V,ξ){\rm{G}
白话点云dgcnn中的pairwise_distance
weixin_45482843的博客
03-03 3331
点云DGCNN中对于代码中pairwise_distance的分析与理解 一点一点读，相信我，我能讲清楚。 这个是本篇文章所要讨论的代码段 def pairwise_distance(point_cloud): """Compute pairwise distance of a point cloud. Args: point_cloud: tensor (batch_size, num_points, num_dims) Returns: pairwise distance
spreadgnn: serverless multi-task federated learning for graph neural network
最新发布
04-30
Graph Neural Network是一类可以处理图形和网络数据的神经网络，目前在社交网络、化学和蛋白质结构等领域有广泛应用。 spreadgnn使用无服务器架构设计来实现多任务联邦学习。本方法采用一种名为Federated Averaging...
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