【1801.07829】DGCNN：Dynamic Graph CNN for Learning on Point Clouds

最新推荐文章于 2023-03-11 09:26:43 发布
最新推荐文章于 2023-03-11 09:26:43 发布
阅读量801 收藏 5
点赞数
文章标签： cnn 深度学习 计算机视觉
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_43154149/article/details/124485392
版权

在这里插入图片描述

文章目录

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

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

搞懂DGCNN，这篇就够了！论文及代码完全解析 ---- 详细的代码分析-- 博主其它文章也不错:https://zhuanlan.zhihu.com/p/267895014?utm_source=qq

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

算法研究员
关注
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...
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
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
(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...
【论文阅读】Dynamic Graph CNN for Learning on Point Clouds
weixin_45616624的博客
05-24 1400
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 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
DGCNN：Dynamic Graph CNN for Learning on Point Clouds 论文笔记
阿婷的博客
12-05 441
https://www.cnblogs.com/hithongming/p/11869428.html https://blog.csdn.net/hongbin_xu/article/details/85258278
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...
【3D计算机视觉】Dynamic Graph CNN——点云动态图卷积神经网络
热门推荐
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
CVPR2018 DGCNN、RSNet
Polaris
02-14 1234
文章目录CVPR2018 DGCNNEdge ConvolutionDynamic graph updatePropertiesArchitectureClassificationPart SegmentationIndoor Scene SegmentationCVPR2018 RSNet DGCNN和RSNet都是基于此前PointNet和PointNet++的工作提出的，与KCNet和Poi...
DGCNN
qq_44902566的博客
06-05 533
2022.6.5 记录
Dynamic Graph CNN for Learning on Point Clouds 阅读笔记
最新发布
qq_43111600的博客
03-11 297
应用于点云的动态图卷积神经网络DGCNN论文阅读笔记。
DGCNN（pytorch版本代码）调试
weixin_42327834的博客
11-12 3167
https://github.com/AnTao97/dgcnn.pytorch/blob/97785863ff7a82da8e2abe0945cf8d12c9cc6c18/data.py#L27 解决方法； 1.保证集群服务器联网 2.修改链接中的代码data.py文件中的def download_modelnet40() 将os.system('wget %s --no-check-certificate; unzip %s' % (www, zipfile)) .
点云特征学习（三）--DGCNN论文阅读笔记
qimingxia的博客
01-16 4720
目录点云特征学习（三）--DGCNN论文阅读笔记一，挑战二，方法2.1 Edge Conv 点云特征学习（三）–DGCNN论文阅读笔记 一，挑战 在DGCNN算法之前，基于深度学习的点云特征学习算法有：PointNet,PointNet++,PointCNN等。这些算法都能够较好地处理点云数据。但是，这些特征学习方法只是从离散点云的角度的特征出发，没有考虑物体的拓扑结构。点云这种数据结构是离散的，缺乏拓扑信息（也就是单个点与点之间的关联并没有显式建立，但是他们之间应该是有实际意义的）。自然而然地，如果能够通
【杂读系列】点云文章杂读
py今天刷题了吗
12-26 1250
文章目录小执着的博客,其它文章也不错！不过有点老了，2，3年前【3D计算机视觉】三维深度学习之pointnet系列详解（一）【3D计算机视觉】三维深度学习之pointnet系列详解（二）【3D计算机视觉】由单张2D图像生成3D点云的深度网络《A Point Set Generation Network for 3D Object Reconstruction from a Single Image》【3D计算机视觉】3P-RNN实现点云场景分割《3D Recurrent Neural Networks wi
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