rgcnn代码解释_点云基于图论的处理方法

最新推荐文章于 2023-09-13 16:09:56 发布
最新推荐文章于 2023-09-13 16:09:56 发布
阅读量409 收藏 1
点赞数
文章标签： rgcnn代码解释
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/weixin_39926739/article/details/111518786
版权
本文是关于点云处理的笔记，重点介绍了DGCNN、RGCNN、Spectral Graph Convolution和DeepGCNs等基于图论的方法。DGCNN通过动态图构建相邻点联系，RGCNN利用正则化图卷积，Spectral Graph Convolution在局部图上进行谱卷积，而DeepGCNs则尝试将GCN网络加深。文章详细阐述了这些方法的核心部分和改进思路。
摘要由CSDN通过智能技术生成

本系列是按照bilibili上刘永成博士的分享课的论文笔记，主要针对点云基于图论的处理方法。 这一部分主要讲解的方法包括：DGCNN、RGCNN、Spectral Graph Convolution、DeepGCNs

转自我的个人博客:harrylin's blog​harrylin-hyl.github.io

DGCNN (TOG 2019)

DGCNN: Dynamic Graph CNN for Learning on Point Clouds

具体思想改进pointNet方法。主要是pointNet在特征提取中只考虑各个点的特征，未对相邻点进行考虑。PointNet的主要流程是：先单独计算(更新)每个点的feature，更新多次之后，最后用global pool将所有点的feature整合为一个点云的feature。在更新每个点的feature时，只与这个点之前的feature有关，与其它点的feature无关。作者在论文中认为：每个点的feature在计算(更新)过程中彼此独立，每个都相可以看作是一个全局feature。这可能就是一个值得改进的地方。

提出动态图的想法，每经过一次edgeConv之后都要重新提取一次动态图，即knn特征提取。使得特征感受野逐步增加。

核心部分

edgeConv输入特征维度为$(n,c_1)$， 针对每一个点$x_i$计算它的knn，即k个相邻点(使用top-k即升序得到)。

计算每个点的edge特征：$x_{j_{i1}}-x_i,...,x_{j_{ik}}-x_i$

将点的特征和边的特征连接起来。$(x_i, x_{j_{i1}}-x_i),....,(x_i, x_{j_{ik}}-x_i)$

使用共享参数的全连接层来进行特征提取。代码中可以用1x1的卷积来实

最低0.47元/天 解锁文章
weixin_39926739
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
RGCNN：用于点云分割的规则化图CNN
weixin_43525324的博客
08-22 2680
原创微博，转载请声明 paper：https://arxiv.org/abs/1806.02952v1 code：https://github.com/tegusi/RGCNN Regularized Graph CNN for Point Cloud Segmentation （作者北大和美图公司，得到了MSRA协作研究项目和阿里巴巴创新研究支持） 背景： 以前的点云分割工作可以分为模型驱动的分...
CVPR2018《Graph Attention Convolution for Point Cloud Segmentation》GACNet 笔记
Knife丶小刀博客
06-01 3422
Graph Attention Convolution for Point Cloud Segmentation 标准卷积由于其特征的各向同性，在语义点云分割中存在固有的局限性。它忽略了物体的结构，导致分割结果中对物体轮廓的描述较差，有小部分伪区域。作者提出了一种新的图形注意卷积(GAC)，它的卷积核可以被动态地雕刻成特定的形状，以适应对象的结构。具体来说，GAC通过给不同的相邻点分配特定的注意权...
读论文 3D Point Cloud Classification using 3D Modified Fisher Vector Representation for CNN
shaozhenghan的博客
08-31 1112
3D Point Cloud Classification and Segmentation using 3D Modified Fisher Vector Representation for Convolutional Neural Networks   模型结构： 可见模型主要分为两部分，一部分是将输入点云变为 Fisher Vector 表达，另一部分是进行CNN处理 其中 I...
Pytorch学习：torch.max(input，dim，keepdim=False)
最新发布
qq_38473254的博客
09-13 680
二维数组中dim=0代表行，torch.max(a, dim=0)代表消去行，求每列的最大值，keepdim=True则代表保留行。二维数组中dim=1代表列，torch.max(a, dim=0)代表消去列，求每行的最大值，keepdim=True则代表保留列。keepdim=True，vlaues=tensor([[4], [4], [6], [9]])有两个中括号。indices代表最大值所处的位置（第一行第四个：3，第二行第一个：0，第三行第一个：0，第四行第四个：3）
torch.max中keepdim的作用
-徐徐图之-的博客
01-13 1万+
torch.max的用法 (max, max_indices) = torch.max(input, dim, keepdim=False) 输入： 1、input 是输入的tensor。 2、dim 是索引的维度，dim=0寻找每一列的最大值，dim=1寻找每一行的最大值。 3、keepdim 表示是否需要保持输出的维度与输入一样，keepdim=True表示输出和输入的维度一样，keepdim=False表示输出的维度被压缩了，也就是输出会比输入低一个维度。 输出： 1、max 表示取最大值后的结果。
1 normal_estimation.zip_normal_法线估计_点云数据_点云法线_点估计
09-24
5. **基于图论的方法**：通过构建点云的图结构，利用图论算法如最小生成树或最短路径来估计法线。这种方法考虑了点之间的连接关系，适用于处理拓扑信息。 在实际应用中，点估计也是一项关键任务。点估计可能涉及对...
图论基础_C++_学习_C++图论_图论方法c++_
10-02
综上所述，"图论基础_C++_学习_C++图论_图论方法c++_"的主题涵盖了图论的基本概念、C++中的图表示以及相关的算法实现。通过深入学习这部分内容，你将能够利用图论解决各种复杂的计算问题，并提升自己的编程能力。
GraphSeg.zip_image segmentation_图像分割 图论_图论 分割_图论图像分割_图论图像处理
07-15
图割是一种基于图论的图像分割方法，它将图像中的像素表示为图的节点，像素间的相似性或连接强度作为边的权重。通过寻找最小割集或最大流，可以将图像分割成两个或多个区域。最小割集意味着找到一个分割，使得分割...
GrTheory.rar_GrTheory_matlab 图论_图论_图论matlab
07-14
在"GrTheory.rar_GrTheory_matlab 图论_图论_图论matlab"这个压缩包中，我们可以期待找到一系列基于MATLAB实现的图论算法。以下是一些可能包含在其中的重要知识点： 1. **图的基本概念**：首先，我们需要理解图的...
源代码_matlab_图论算法_源码实现_
10-03
图论是计算机科学中的一个重要分支，它研究网络结构和它们之间的关系。在MATLAB中，图论算法的实现可以帮助我们解决各种复杂问题，如最短路径、最小生成树、网络流等。本压缩包提供了图论算法的源码实现，为学习和...
RGCNN:用于点云分割的正则图CNN
05-02
用于点云分割的正则图CNN 该代码是我们预印纸 （ACM多媒体，2018）的tensorflow实现。可摄像头的版本将很快更新。 安装 此代码在tensorflow 1.4和python 3.6上运行，并带有其他库，例如h5py。 我们借用了的框架。 用法 它需要原始的ModelNet40和ShapeNet数据，可在下载以进行细分和进行分类。 您可以使用提供的工具将数据转换为numpy数组。 我们还提供经过但不保证其兼容性。 train.py非常易于阅读，我相信您可以顺利运行并对其进行测试。 笔记 首先，我们在jupyter笔记本上测试我们的代码，因此我怀疑可能缺少某些部分。 如果出现问题，请通过电子邮件与我联系。
图网络相关论文和代码（gnn gcn graphsage gat gas dgcn sim-gnn）
06-03
图网络相关论文和代码（gnn gcn graphsage gat gas dgcn sim-gnn）
点云基于图论的处理方法
weixin_41134246的博客
02-19 1860
本系列是按照bilibili上刘永成博士的分享课的论文笔记，主要针对点云基于图论的处理方法。 这一部分主要讲解的方法包括：DGCNN、RGCNN、Spectral Graph Convolution、DeepGCNs 个人博客链接: https://harrylin-hyl.github.io DGCNN (TOG 2019) DGCNN: Dynamic Graph CNN for Learni...
torch.cat（）用法
一起躺躺躺的博客
05-09 4123
torch.cat()是用来拼接tensor的 语法： torch.cat（[x1,x2,...],dim = ) x1,x2为要拼接的矩阵，dim为你指定拼接的维度， x = torch.randn(2,3,4) y = torch.randn(2,3,4) z = [] for i in range(len(x)+1): print('dim=',i) z = torch.cat([y,x],i) print(z.shape) 指定的维度不能超过要拼接矩阵本..
torch.max(input, dim, keepdim=False, out=None)使用
BigData_Mining的博客
01-08 1654
torch.max(input, dim, keepdim=False, out=None) -> (Tensor, LongTensor) 按维度dim 返回最大值：0代表列，1代表行 torch.max(a,0) 返回每一列中最大值的那个元素，且返回索引 a=torch.randn(3,3) tensor([[ 0.0708, 1.2803, -0.6972], [-...
学批量归一化时，关于x.mean(dim=0,keepdim=True)的一些问题
qq_43350424的博客
12-13 1万+
** 学批量归一化时，关于x.mean(dim=0,keepdim=True)的一些问题 ** 人生的第一篇博客，记录下自己的进步 今天学了批量归一化里面的一些问题，其中x.mean(dim=0,keepdim=True)困扰了我，搞懂后记录下来 举例子： x = [ [[1,2,3,4],[5,6,7,8],[9,10,11,12]], [[13,14,15,16],[17,18,19,20],[21,22,23,24]] ] x.shape=[2,3,4] 首先认识到：dim=0 ->2
2018年ACM MM会议论文 arXiv链接
qq_27898631的博客
09-12 1万+
ACM MM 会议是多媒体领域的top1顶会 人人心向往之的会议 我的有位老师说他的学生读了三年博士，投了好几次MM都没被录，主动要求延毕，说三年我追个姑娘也追到手了，竟然投会议就是投不中。。。 今年ACM MM 会议将在10月22-26日在韩国首尔举行，会议相关议程在官网 http://www.acmmm.org/2018/ 已经发布，已经接收的papers列表： Accepted P...
目标检测-RCNN系列
热门推荐
跟随技术的脚步-linolzhang的专栏
01-11 7万+
•   RCNN        RCNN（Regions with CNN features）是将CNN方法应用到目标检测问题上的一个里程碑，由年轻有为的RBG大神提出，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化。        算法可以分为四步：        1）候选区域选择        Region Proposal是一类传统的区域提取方
基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN
weixin_34277853的博客
05-04 5327
object detection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。 object detection技术的演进：RCNN->Spp...
基于图论的点云配准方法
06-13
基于图论的点云配准方法将点云之间的关系图作为输入，通过图匹配算法来寻找点云之间的对应关系。具体来说，可以将每个点云看作一个节点，根据它们之间的距离或相似性，构建一个带权无向图。然后，可以使用图匹配算法...
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