DGCNN论文理解

最新推荐文章于 2024-06-05 10:01:21 发布
最新推荐文章于 2024-06-05 10:01:21 发布
阅读量884 收藏 1
点赞数 1
文章标签： 计算机视觉 机器学习 深度学习 python
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_43291835/article/details/107599094
版权

DGCNN论文理解

一、EdgeConv概述

1.对输入点云构造基于每个点的knn局部邻域图G=（V,E），每条边表示为
在这里插入图片描述
其中h是一个具有一组可学习参数的非线性函数
在这里插入图片描述
2. 通过应用通道对称聚合操作来定义EdgeConv操作, 在第i个顶点的输出是
在这里插入图片描述

二、文中具体的EdgeConv

1.对邻域边特征提取： 显式地将由补丁中心xi的坐标捕获的全局形状结构与xj-xi捕获的局部邻域信息结合起来，并且该操作可以作为共享的MLP
在这里插入图片描述
其中参数为
在这里插入图片描述

2.邻域特征聚合—max-pooling
在这里插入图片描述

全幼儿园吃饭第一名
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
R-CNN论文详解
计算机图形学与深度学习
12-25 516
这几天在看《Rich feature hierarchies for accurate object detection and semantic segmentation 》，觉得作者的科研素养非常棒，考虑问题很全面而且很有逻辑性； 不过暂时有的地方看的也不是太懂，这里转载了一篇博客中的介绍，博主写的不错； 博客链接：http://blog.csdn.net/wopawn/article/deta
DGCNN-master.zip
08-20
A powerful deep neural network toolbox for graph classification, named Deep-Graph-CNN (DGCNN). DGCNN features a propagation-based graph convolution layer to extract vertex features, as well as a novel...
(TOG 19) DGCNN: Dynamic Graph CNN for Learning on Point Clouds
dloading7的博客
04-03 2235
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​，.
点云特征学习（三）--DGCNN论文阅读笔记
qimingxia的博客
01-16 4587
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
探索深度图卷积神经网络（DGCNN）：未来图形分类的新标杆
最新发布
gitblog_00040的博客
06-05 351
探索深度图卷积神经网络（DGCNN）：未来图形分类的新标杆 项目地址:https://gitcode.com/muhanzhang/DGCNN 项目介绍 DGCNN，全称Deep Graph Convolutional Neural Network，是一个强大的工具箱，专为图形分类设计。它由Muhan Zhang等人开发，并在2018年的AAAI会议上发表。这个开源项目以其独特的图卷积层和Sort...
DGCNN论文笔记
weixin_45606655的博客
04-11 877
An End-to-End Deep Learning Architecture for Graph Classifification 论文笔记 论文地址：DGCNN 代码地址：https://github.com/muhanzhang/pytorch_DGCNN 简要概述 论文提出了图卷积的方法，此处的图(Graph)，指的是包含节点与边的二维图，与一般的图像卷积不同，图卷积有节点数和边数不...
Dynamic Graph CNN for Learning on Point Clouds(DGCNN)论文阅读笔记——核心思想：EdgeConv细析
Codefmeister's BLOG
12-15 1528
DGCNN 前言与声明 因为关心的领域主要是配准，对于分类等网络的架构设计分析并没有侧重太多，主要侧重的是EdgeConv的思想。 文中图片全部来自于PointNet，PointNet++，DGCNN论文中的配图。若有侵权请联系笔者删除。 转载请标明出处，谢绝商业转载。 论文 Dynamic Graph CNN for Learning on Point Clouds Wang, Yue and Sun, Yongbin... 核心思想:关于EdgeConv 将点云表征为一个图，G(V,ξ){\rm{G}
【论文阅读】DGCNN
HHy的博客
05-27 1592
动态图卷积神经网络（DGCNN） 一、简介 1、下图是运用所提出的神经网络进行点云分割过程 如上图所示： 底部表示图神经网络架构的原理 上部表示网络不通层所产生的特征空间的结构，可视化为红点到其他所有点的距离（图中从左到右分别为输入层和layer1-3，之间用EdgeConv网络连接，最右边的图显示了分割结果） 2、设计EdgeConv模块的原因 点云本质上缺乏拓扑结构，因此需要设计一个拓扑模型来丰富点云的表示能力 直接将点云作为输入的深度网络PointNet，它只是独立的处理每个点，但未考虑点的局
dgcnn最近邻knn理解
weixin_45482843的博客
03-05 1268
关于点云dgcnn中knn的理解 前几篇博客介绍了原作者代码中pairwise_distance与 tf.nn.top_k的用法，本篇继续对knn进行学习。 pairwise_distance的返回值是一个形状为(B,N,N)的张量，也就是有B个batch，每个batch有N个点，而每个点又对应了全部点的pairwise_distance。那么通过前面几篇博客已经总结，如果两个点的距离越远，那么这个pairwise_distance张量的对应位置所存储的值就越大，反之亦然。 同时，knn是找点的最近的k个点
dgcnn-pointcloud
05-11
点云学习是计算机视觉领域中的一个重要分支，主要处理三维空间中的几何数据。...这个PyTorch实现提供了一个良好的起点，对于研究者和开发者来说，它可以帮助快速理解和实验DGCNN算法，进一步推动点云处理技术的发展。
dgcnn.zip
08-26
标题 "dgcnn.zip" 暗示了一个与深度学习相关的项目，具体是使用 PyTorch 框架实现的。PyTorch 是一个广泛使用的开源机器学习库，以其灵活性和易用性著称，适合进行深度学习研究和开发。项目可能涉及到点云处理和图形...
dgcnn.pytorch:用于点云学习的动态图CNN的PyTorch实现（DGCNN）
03-22
DGCNN.pytorch 此仓库是用于点云学习的动态图CNN的PyTorch实现（DGCNN） （ ）。我们的代码框架是从借用的。 请注意，DGCNN论文中用于分类的网络结构（图3）与该论文第4.1节中的相应描述不一致。 DGCNN的作者采用第4.1节中的分类网络设置，而不是图3。我们使用PS修复了图3中的错误，并在下面给出了修改后的图。 提示：点云实验的结果通常比2D图像面临更大的随机性。我们建议您多次运行实验并选择最佳结果。 要求 Python 3.7 PyTorch 1.2 CUDA 10.0 包装：glob，h5py，sklearn 内容 点云分类 运行训练脚本： 1024点 python main_cls.py --exp_name=cls_1024 --num_points=1024 --k=20 2048点 python main_cls.py --exp_name
DGCNN（AAAI 2019）
03-08
《DGCNN（AAAI 2019）——动态时空图卷积神经网络在交通预测中的应用》 深度学习领域的研究不断推进，其中图卷积神经网络（GCNN）因其在处理节点间空间依赖性上的强大能力而备受关注。GCNN通过预定义的拉普拉斯矩阵...
KNN改进和实战
JaysonWong的博客
04-24 479
上篇中介绍了K-近邻算法的主要原理，是一个非常基础、简单的分类器，下面我们主要来增加功能和小改进使其更加贴合实际 查看上篇点击这里 所有的数据和代码参考自《机器学习实战》一书 一、从文本文件中解析数据 假设我们有一个文本文件，每个样本的数据占一行，共有1000行，包含3种特征： 1、每年获得的飞行常客里程数 2、玩视频游戏所耗的时间百分比 3、每周消费的冰淇淋公升数 部分数据如下： 40920 ...
论文笔记：DGCNN（EdgeConv）
热门推荐
hongbin_xu的博客
12-26 4万+
Dynamic Graph CNN for Learning on Point Clouds DGCNN 1、四个问题 要解决什么问题？ 使用深度学习处理3D点云。 设计一个可以直接使用点云作为输入的CNN架构，同时可以获取足够的局部信息，可适用于分类、分割等任务。 用了什么方法解决？ 提出了一个新的神经网络模块——EdgeConv。 EdgeConv是可微的，并能嵌入已有的...
DGCNN理解理论篇
weixin_45482843的博客
06-15 9419
DGCNN理解理论篇 参考了LDGCNN论文，分别从输入点集、任务描述、点云特性、局部图结构、图特征提取等角度给出DGCNN数学理论理解。 输入点集 输入数据可用集合来描述，即向量的集合，每一个向量代表着一个欧式空间点pi，第i个点就可以表示为(xi,yi,zi)。当然这个可以拓展到特征空间，因为在不同的任务中（例如语义分割），输入数据可能包含其他属性（如颜色、反射强度等）。另外，除了第一个边卷积层外，后面的边卷积操作的输入数据均处于特征空间。 任务描述 1. 分类 分类实际上是将输入点集，映射到标签集合
论文阅读 点云动态图卷积(DGCNN)
sunny_ckyh的博客
01-24 1万+
DGCNN 1. 背景介绍 1.1 点云 点云（Point Cloud），顾名思义是很多2维或3维点的集合。 因为传感器获取的数据往往是点云形式，而将点云还原成图形再进行处理的方法消耗过大，所以直接利用点云进行操作的一类技术应运而生。目前点云相关的任务基本已经覆盖图像领域的大多数任务，如分类、分割等。 1.2 前期工作 1.2.1 CVPR2017 PointNet 之前针对3D点云数据处理的思路有两种： 将数据从高位空间投影到低维空间，在二维平面上处理 3D卷积 但降维方法对投影要求很高且必然会损失信
DCAMnet网络复现与讲解
这个博主不懒，但Ta什么也没写~（私信互关24小时必回）
11-30 435
距论文阅读完毕已经过了整整一周多。。。为了方便观看，我把结构图也拿过来了。众所周知，DCAMnet是在yolox的基础上改进、升级的。（应该只有博主对着yolov5网络改了两天，被学长一语道破天机后才幡然醒悟的吧？既然这样，我们就需要先对照着原yolox的网络结构，找出新增的或改动的结构，下面是yolox的网络结构图（温馨提示，在csdn页面观看图片很难受，下载后可以看得很清楚）。yolox的项目请自行去github上获取，下面推荐一篇->
点云dgcnn边特征理解
weixin_45482843的博客
03-06 2709
关于点云dgcnn中边缘特征的学习和理解 本篇博文要讨论的是DGCNN中的边缘特征，作者在语义分割部分提供了边缘特征的实现过程，代码段如下： def get_edge_feature(point_cloud, nn_idx, k=20): """Construct edge feature for each point Args: point_cloud: (batch_size, num_points, 1, num_dims) nn_idx: (batch_size, num_p
dgcnn python
09-08
DGCNN（Dynamic Graph Convolutional Neural Network）是一种用于图像分类和分割任务的深度学习模型。它是由Maximilian Nickel等人于2018年提出的。 DGCNN使用图卷积神经网络（GCN）来处理图形数据。传统的卷积神经...
评论 2
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