【paper】MeshCNN: A Network with an Edge 基于边的卷积网络

最新推荐文章于 2024-12-02 11:56:02 发布
最新推荐文章于 2024-12-02 11:56:02 发布
阅读量6.9k 收藏 18
点赞数 3
分类专栏： 笔记 Paper 文章标签： mesh classification segmentation
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/suian0424/article/details/93624375
版权
MeshCNN是一种新颖的网络结构，以边为中心进行卷积操作，解决了3D几何数据处理的问题。该网络通过边折叠进行池化，根据特征值大小选择边进行下采样，并利用非学习方式的反折叠进行上采样。MeshCNN在分类和分割任务中表现出与任务相关性的下采样特性，且其上采样保持了结构一致性，相比PointNet++有明显优势。文章探讨了MeshCNN与PointNet++的差异，并指出MeshCNN的感知域更贴近模型表面空间。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

SIGGRAPH 2019 的一篇paper，很有意思的工作。
论文主页：https://ranahanocka.github.io/MeshCNN/

一、简介

之前看的PointNet++是以顶点为中心定义卷积，这篇是以边为中心定义卷积。这篇paper介绍的以边为单位的卷积操作，非常直观自然，非常优雅（也可能因为最近看spectral的GCN很头疼，所以觉得这种简洁明快的网络设计简直太友好了orz

二、网络设计

卷积

卷积操作
以边为单位定义卷积，那么边的邻域是确定的，不像PointNet++需要通过knn寻找最近的k个邻域点。
任何一条边邻域就是所在两个三角形中的另外两条边，同时作者为了保证卷积操作的不变性，对邻域四条边进行了上图公式中的变换，之后再应用卷积。如果不做上图公式中的变化，对于同一组weight，按abcd的顺序进行卷积和按cdab的顺序进行卷积结果是不一样的。

池化

池化操作
基于边的池化操作也非常好理解，使用了边折叠（ed

最低0.47元/天 解锁文章
Graph Convolutional Neural Network - Spectral Convolution 图卷积神经网络 — 频域卷积详解
Jay_Tang的博客
08-24 2809
Fourier Transform Virtually everything in the world can be described via a waveform - a function of time, space or some other variable. For instance, sound waves, the price of a stock, etc. The Fourier Transform gives us a unique and powerful way of viewin
TD-Net: Trans-Deformer network for automatic pancreas segmentation：基于Trans-Deformer网络的自动胰腺分割 论文详详详详读
大臣不想在月亮上上热搜
10-15 1461
TD-Net: Trans-Deformer network for automatic pancreas segmentation：基于Trans-Deformer网络的自动胰腺分割 论文详详详详读
MeshCNN：PyTorch中用于3D网格的卷积神经网络
01-28
PyTorch中的MeshCNN SIGGRAPH 2019 MeshCNN是用于3D三角形网格的通用深度神经网络，可用于诸如3D形状分类或分割之类的任务。 该框架包括直接应用于网格边缘的卷积，池化和解池层。 该代码由和在支持下编写。 入门 安装 克隆此仓库： git clone https://github.com/ranahanocka/MeshCNN.git cd MeshCNN 安装依赖项： 1.2版。 可选： 用于训练图。 通过新的conda环境conda env create -f environment.yml （创建一个名为meshcnn的环境） SHREC上的3D形状分类 下载数据集 bash ./scripts/shrec/get_data.sh 运行训练（如果使用conda env首先激活env，例如source activate meshcnn ） bash ./scripts/shrec/train.sh 要查看训练损失图，请在另一个终端中运行tensorboard --logdir runs并单击 。 运行测试并导出中间池网格： bas
【三维几何学习】MeshCNN: A Network with an Edge
做减求空
02-27 2416
MeshCNN是第一个将网格简化引入到池化操作中的网络：合并顶点降低网格分辨率，类似图像中的平均池化。
MeshCNN: A Network with an Edge 阅读笔记
qq_43111600的博客
03-19 1097
多边形网格为三维形状提供了一种有效的表示方法，它明确地捕捉了形状表面和拓扑信息。非均匀的多边形网格可以表示大型平面区域以及尖锐、复杂特征，但这种不均匀、不规则性抑制了“结合CNN与池化操作的神经网络”进行网格分析的能力。本文提出一种专门处理三角网格的神经网络MeshCNN。与经典CNN类似，MeshCNN也使用了特殊的卷积层与池化层，通过利用它们内在的测地线（曲面上的两点之间的最短距离）连接在网格边缘上操作。卷积应用于边以及边所在的两个三角形的另外四条边。
深度学习3D Mesh分割网络---MeshCNN
datian1234的博客
07-29 1882
MeshCNN是2019年提出的直接在3D Mesh上进行分类和分割的网络，MeshCNN在3D网格上定义了定义了卷积和池化层，依据三维模型边的连通关系进行研究。最终能够在来自SHREC 11数据集的30个类上达到98.6%的精度，并且在部件和人体数据集上有很好的分割性能。
开源探索：MeshCNN——三维网格的深度神经网络革命
gitblog_00422的博客
08-12 533
开源探索：MeshCNN——三维网格的深度神经网络革命 项目地址:https://gitcode.com/gh_mirrors/me/MeshCNN 在数字时代，3D建模已经成为众多领域的核心，从游戏开发到建筑设计，再到医疗成像。而MeshCNN，这一由SIGGRAPH 2019论文背后强大的创新力驱动的开源项目，正引领着处理3D三角网格的新潮流。 项目介绍 MeshCNN，全称Mesh Co...
小白学视觉 | 漫谈图神经网络模型（GNN)：从图到图卷积
csdn_xmj的博客
07-23 1232
本文试图沿着图神经网络的历史脉络，从最早基于不动点理论的图神经网络(GNN)一步步讲到当前用得最火的。笔者最近看了一些图与图卷积神经网络的论文，深感其强大，但一些Survey或教程默认了读者对图神经网络背景知识的了解，对未学过信号处理的读者不太友好。同时，很多教程只讲是什么，不讲为什么，也没有梳理清楚不同网络结构的区别与设计初衷(Motivation)。因此，本文试图沿着图神经网络的历史脉络，从最早基。
论文盘点：基于图卷积GNN的多目标跟踪算法解析
Paper weekly
06-30 4072
©PaperWeekly 原创 ·作者｜黄飘学校｜华中科技大学硕士研究方向｜多目标跟踪随着这两年 GNN 的发展，其对于关系的建模特性也被引入了多目标跟踪领域，这次我通过对这两年基于 ...
MeshCNN：基于PyTorch的3D网格卷积神经网络
最新发布
gitblog_00110的博客
12-02 411
MeshCNN：基于PyTorch的3D网格卷积神经网络 MeshCNN Convolutional Neural Network for 3D meshes in PyTorch 项目地址: https://gitcode.co...
3D-MeshCNN.zip
09-17
3D-MeshCNN.zip,pytorch三维网格的卷积神经网络,3D建模使用专门的软件来创建物理对象的数字模型。它是3D计算机图形的一个方面，用于视频游戏，3D打印和VR，以及其他应用程序。
MeshCNN_COPY
03-17
PyTorch中的MeshCNN SIGGRAPH 2019 MeshCNN是用于3D三角形网格的通用深度神经网络，可用于诸如3D形状分类或分割之类的任务。 该框架包括直接应用于网格边缘的卷积，池化和解池层。 该代码由和在支持下编写。 入门 安装 克隆此仓库： git clone https://github.com/ranahanocka/MeshCNN.git cd MeshCNN 安装依赖项： 1.2版。 可选： 用于训练图。 通过新的conda环境conda env create -f environment.yml （创建一个名为meshcnn的环境） SHREC上的3D形状分类 下载数据集 bash ./scripts/shrec/get_data.sh 运行训练（如果使用conda env首先激活env，例如source activate meshcnn ）
meshCNN分割准确率复现 - 使用官方代码
08-27
使用MeshCNN官方代码复现了其分割准确率，除了在chairs上的分割准确率偏低，其余均与论文一致 (相差不大，有高有低，大致相同)。 checkpoints文件包含： 1. 四个分割数据集的准确率testacc_log.txt以及最终生成的分割模型latest_net.pth 2. 在部分文件还保存有训练参数和loss_log。 3. 保存了部分测试模型的池化mesh (经过塌边后的模型)，方便可视化
meshcnn-4-cadseg
04-06
使用MeshCNN的CAD模型中的表面类别分割 是用于3D三角形网格的通用深度神经网络，可用于诸如3D形状分类或分割之类的任务。 该框架包括直接应用于网格边缘的卷积，池化和解池层。 （ 导师 入门 安装 克隆此仓库： git clone git@gitlab.cg.tu-berlin.de:sempro/cgp-ws20-meshcnn.git cd cgp-ws20-meshcnn 使用conda安装依赖项（创建一个名为cgp-meshcnn-basic的环境）： cd development conda env create -f basic_environment.yml ABC数据集表面类别分割 下载数据集 bash ./scripts/seg/get_10K_dataset.sh 运行训练（如果使用conda env首先激活env，例如conda activate cg
meshrcnn:Mesh R-CNN的代码，ICCV 2019
05-03
网格R-CNN 论文代码 ，Jitendra Malik，（ ICCV 2019 （感谢 ！） 安装要求 Mesh R-CNN的实现基于和 。 首先，您需要安装它们才能运行Mesh R-CNN。 安装 git clone https://github.com/facebookresearch/meshrcnn.git cd meshrcnn && pip install -e . 演示版 在输入图像上运行Mesh R-CNN python demo/demo.py \ --config-file configs/pix3d/meshrcnn_R50_FPN.yaml \ --input /path/to/image \ --output output_demo \ --onlyhighest MODEL.WEIGHTS meshrcnn://meshrcnn_R50.pth
MeshCNN 开源项目教程
gitblog_00671的博客
08-10 308
MeshCNN 开源项目教程 MeshCNNConvolutional Neural Network for 3D meshes in PyTorch项目地址:https://gitcode.com/gh_mirrors/me/MeshCNN 1. 项目的目录结构及介绍 MeshCNN 是一个用于 3D 三角形网格的深度神经网络，适用于 3D 形状分类或分割任务。项目的目录结构如下： MeshC...
Machining Feature Recognition Method Based on Improved Mesh Neural Network【浅读】
bettle_king的博客
04-03 974
加工特征识别是连接计算机辅助设计(CAD)和计算机辅助工艺规划(CAPP)系统的桥梁，是实现CAD、CAPP和计算机辅助制造(CAM)一体化的关键技术。为了克服传统CAPP系统识别效率低和智能水平低的问题，有效识别加工特征，本文提出了一种基于MeshFaster RCNN的机械零件加工特征识别方法，该方法将原有的MeshCNN模型与Faster RCNN模型相结合。基于改进的MeshNet网格识别框架，构建了一种卷积神经网络，用于加工曲面网格数据的自动加工特征识别。
基于MeshCNN和PyTorch的三维对象分类和分割
deephub
06-03 6317
MeshCNN引入了网格池化操作，使我们能够将cnn应用到三维模型中。 将机器学习应用于3D数据并不像应用于图像那样简单。3D数据有很多表示形式，但选择决定了您可以使用哪种学习策略。在本文中，我将介绍一个特别有趣的策略(至少对我来说是????)，叫做MeshCNN:一个有优势的网络。本文描述了一个用于处理3D模型的分类和分割任务的通用框架。也许它最有趣的特性是它的网格池化(mesh pooling)操作，它使我们能够在多个尺度上组合一个网格的特征(类似于视觉CNN)。这是一种学习操作，它逐渐将模型缩减到对
【三维几何学习】网格可视化-Cube engraving数据集
做减求空
05-08 1000
`Cube engraving`(论文叫法)数据集，又称为`Cubes classification dataset`(网页叫法)或简称`Cubes`，其较为特殊，核心模型是内嵌到正方体中的，导致很难对其进行高质量的可视化。MeshCNN使用blender进行可视化，结果如图：
评论 11
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