共享MLP Shared MLP

空无此人

于 2025-03-24 17:02:56 发布

阅读量136

点赞数 1

文章标签：人工智能深度学习

本文链接：https://blog.csdn.net/qq_50612662/article/details/146480417

版权

最近开始从二维转向三维的学习，在第一个点云处理的论文当中遇到了问题，PointNet论文的模型当中出现了SharedMLP，在观看多个资料后发现了如何解释。

——————————————————————————————————————————

首先第一步N*3*1可以理解为点云中的N个点每个点都被看从二维的图片输入，使用64个1*3*1的卷积核，得到64个N*1的MLP的隐藏层，再根据1*1*64的卷积核进行降维，从64维降到1维，但是有64个所以还是64维。

文章参考：Shared MLP的作用是什么-腾讯云开发者社区-腾讯云

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

空无此人

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

Shared MLP的作用是什么

Passersby__的博客

03-18

1万+

MLP是多层感知机的简写，在三维点云处理网络中经常能看到一层Shared MLP . MLP的结构可以简单看成: Output=Input×Weights+biases 其中： Input：N×C1 Weights：C1×C2 biases：C2×1 Output：N×C2 Input一共N行，每行C1个Feature，MLP能够实现将C1维转换为C2维。这C2维中每一维都整合了原来全部C1维的信...

点云处理网络中的Shared MLP

cccchensir的博客

09-05

6439

在点云处理网络中常看到Shared MLP的网络结构，它和我们认知的多层感知机MLP有什么区别和联系呢？结论被广泛应用的Shared MLP（用于减少网络的训练参数，实现类似CNN的权值共享机制）其本质是用[1,1]大小的卷积核去做卷积操作，减少了大量的参数。分析PointNet的源代码model/pointnet_seg.py/get_model(): 其中输入为Batch_size x 点数 x 3（点云坐标），输出为Batch_size x 点数 x 50（分类）具体被用来做shared .

参与评论您还未登录，请先登录后发表或查看评论

【点云】PointNet中的shared MLP

qq_40731332的博客

05-23

3309

参考：https://zhuanlan.zhihu.com/p/86331508 http://www.cnblogs.com/welhzh/p/6607581.html 本文的重点在于解析被广泛应用的shared mlp。它的本质是用[1,1]大小的卷积核去卷积，减少了大量的参数。在model/pointnet_seg.py/get_model()函数中我们可以发现下列代码：其中输入为Batch_size x点数 x 3（点云坐标），输出为Batch_size x 点数 x 50（分类）.

浅谈Shared MLP与MLP

vonct的博客

01-08

2534

通过两者对比，就能比较容易理解Shared MLP中shared的意思了。即在点云网络中，强调每个点云都共享同一组参数。这也是为什么要用卷积来进行MLP实现的原因，因为CNN很大的一个特点是在CNN中，卷积层的滤波器参数是共享的，即它们在整个输入上使用相同的权重和偏置。这种参数共享的机制大大减少了模型的参数量，使得CNN具有更好的泛化能力，并能够有效地处理大规模数据这样的特性使得模型能能适应点云的特性。

MLP、Share MLP、 conv1d介绍

rglkt的博客

12-03

4874

在理解pointnet的时候，有shared mlp这一层，不清楚是什么东西，于是网上查阅了资料，以share mlp为关键词就能查到许多很好的资料，但是我觉得几个博主分析的时候都没有点破，所以我整理下这篇文章。 MLP参考文章，这一张图应该就够了。需要注意的核心是输入向量[x1,x2,x3,x4…]，x1,x2,x3互相独立，这里的计算是wx+b的形式而share mlp（左图）。我觉的这里画的并不是特别好，文字解释一下。还是看图，MLP中原来的向量[1,2,3] 经过MLP，3维升维变成64维。.

pointnet中shared_mlp过程详细解析

qq_44849479的博客

08-13

2907

pointnet网络模型如下图所示：暂时不关注input_transform和feature_transform。同时也不关注分割任务。从输入n×3到n×64的操作：（图中数字仅为示意，不代表具体计算）首先输入为n×3（n×1×3×1：点数×长×宽×通道数）有64个1×3的卷积核，每个卷积核对点云进行卷积操作，并生成一个通道，64个卷积核共计生成64个通道。（叙述过程省略了加偏置和激活的部分）得到的结果为n×64（n×1×1×64点数×长×宽×通道数）成功将数据升维。在将64维升到128维的

Shared MLP

05-05

Shared MLP是指共享多层感知机（Multi-Layer Perce）模型。在传统的MLP中，每个样本都有自己独立的MLP网络，每个网络都有自己的权重和偏置。而在Shared MLP中，多个样本共享同一个MLP网络，即它们使用相同的权重和...

shared MLP

09-02

共享多层感知机（Shared MLP）是一种神经网络架构，它可以在多个任务或输入之间共享权重和参数。这种架构通常用于多任务学习或多模态学习的情况下，其中存在多个相关的任务或不同类型的输入。在共享多层感知机中，...

shared mlp和conv1d

最新发布

03-20

### 共享多层感知机（Shared MLP）和一维卷积神经网络（Conv1D）的区别与联系 #### 定义与基本结构共享多层感知机（Shared MLP）是一种特殊的多层感知机（MLP），其核心特点是权重共享。在传统的MLP中，每一层的...

shared MLP代码

09-14

以下是一个使用共享多层感知器（Shared MLP）的示例代码： ```python import torch import torch.nn as nn class SharedMLP(nn.Module): def __init__(self, input_dim, hidden_dim, num_layers): super...

Shared MLP的作用是什么？

Adam897的博客

09-26

2854

网络首先将点云看成一幅Nx3的单通道图片输入，然后通过1x3x1的卷积核将这幅点云的宽度变为1。对应到右侧的神经元结构图，就是将3个输入神经元的信息整合后传到下层神经元的过程，64个神经元对应64个卷积核。Shared MLP 是点云处理网络中的一种说法，强调对点云中的每一个点都采取相同的操作。其本质上与普通MLP没什么不同，其在网络中的作用即为MLP的作用：特征转换、特征提取。MLP是多层感知机的缩写，在三维点云处理网络中经常能看到一层Shared MLP，下面是我关于其作用的分析。

为什么Shared MLP = Conv+BN+ReLU？从“复印机”到“乐高积木”的生动解析

qq_52852434的博客

03-12

539

Shared MLP通过1x1卷积的参数共享机制，结合BN和ReLU的标准化与非线性能力，完美替代了传统全连接层。这种设计不仅解决了点云的无序性问题，还大幅提升了计算效率。下次在代码中看到时，不妨会心一笑：“这不就是那个聪明的共享复印机吗？

基于点云的深度学习：点云里的mlp

datouhuitoutu950的博客

04-26

2542

点云学习中的MLP

【疑问汇总】

骨子里对自己的信任，决定未来的成败！

04-01

251

疑问汇总

深度学习基础（二）—— 从多层感知机（MLP）到卷积神经网络（CNN）

04-26

1万+

经典的多层感知机（Multi-Layer Perceptron）形式上是全连接（fully-connected）的邻接网络（adjacent network）。 That is, every neuron in the network is connected to every neuron in adjacent layers. Local receptive fields全连接的多层

PointNet--细说特征提取

qq_45783225的博客

02-26

1244

这篇文章把点云看做是无序点的集合，而不是有序的体素或柱，基于点云已知的特征利用shared-MLP进行扩充升维，然后再进行Maxpool实现特征汇聚，这样就能获取较多维度的特征来表示整个点云，进而进行后续的工作。

DeepLearning tutorial（3）MLP多层感知机原理简介+代码详解