Point Cloud Graph Methods
name | ||
---|---|---|
EdgeConv | 特征空间中的KNN | 通过特征来找knn,然后特征空间中构建graph,多层edgeconv之后,节点的个数不会减少 |
Local spectral graph convolution for point set feature learning | 三维空间中的KNN | 基于pointnet。可与pointnet++类比。通过FPS采样找一些centroid。对于每个centroid,找centroid周边的k个点。K个点构建graph,vertice的数量是k,edge的数量是k*k,用gcn对每个vertice提取特征。用clustering+pooling将特征整合到一个centroid上。重复采样,提取特征的步骤。通过下采样,centroid个数不断减少,receptive field不断增加,与pointnet++类似。(spectral?) |
ECC | KNN, radius 在三维空间中构建graph | 点云中 X(i)为vertice特征,L(j,i)为edge特征(通过cartesian和球星坐标得到)。在图结构不改变的时候,L(j,i)不会改变。X(i)是通过前一层中i相邻点(j)的特征加权(θ)求和得到的。网络F(L(j,i);w)用来学习加权值。训练过程中学习w,预测过程中这个加权值(θ)由L(j,i)决定。点云通过下采样来改变图的结构。节点的个数不断减少。(non-spectral?) |
ECC:Dynamic Edge-Conditioned Filters in Convolutional Neural Networks on Graphs
个人理解,可能有偏差。