Dynamic Graph CNN for Learning on Point Clouds （Edgeconv)

最新推荐文章于 2022-06-16 21:39:55 发布
最新推荐文章于 2022-06-16 21:39:55 发布
阅读量939 收藏 2
点赞数 1
分类专栏： 点云分析处理
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_43996345/article/details/102518121
版权
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...
摘要由CSDN通过智能技术生成

论文链接：http://arxiv.org/abs/1801.07829
疑问：Related work里的geometric deep learning？？
spirit graph neural networks?
高斯核做提取函数，用加法做聚合函数，高斯核参数为均值和方差
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的机制可以进行分组，而且证明了这是一种容易实现可以嵌入已有结构的操作，提供了广泛的分析和测试来说明达到了当时的state-of-the-are表现。
在这里插入图片描述
这个图从左到右进行了可视化，通过颜色来表征红色点到其他点的距离，黄色表示在该层下特征距离近，蓝色表示远，最后将黄色的归为一类，如最右边所示。

方法以及problem statement:
建图方式同pointnet++分组层（如不清，看另一篇blog)一样，使用一个K近邻的子图利用类似卷积的操作来提取一个点的特征. 不同于graph cnns，重点在于图本身是不固定的，而且是在每一层之后动态更新，就是说一个点的K近邻点会根据层的处理而发生变化，并且是从嵌入的序列计算出来的，导致了非局部化的扩散 （这里我认为本质上是类似卷积感受野的扩大，并且是可能同一感受野不同点是计算出了一种 联系的)
Edgeconv的理论基础：对于点云，认为数据是F维的n个点构成的集合，假设有向图G=（V，E），对于点X，取K近邻点K个，分别从X进行无向边连线，定义Edge features为下面的式子 在这里插入图片描述

将两个F维的点笛卡尔积的维度映射到 R F ˊ {R^{\acute{F}} } R

最低0.47元/天 解锁文章
追影子的shammgod
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
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
TrustGeo: Uncertainty-Aware Dynamic Graph Learning for Trustwort
02-19
"TrustGeo: Uncertainty-Aware Dynamic Graph Learning for Trustworthiness" 是一项研究，旨在引入不确定性处理机制到动态图学习中，以提高模型的信任度。本文将详细介绍TrustGeo框架以及其在PyTorch中的实现。 ...
DGCNN(Edge Conv) : Dynamic Graph CNN for Learning on Point Clouds
761527200_leili的博客
10-04 3685
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...
(TOG 19) DGCNN: Dynamic Graph CNN for Learning on Point Clouds
dloading7的博客
04-03 2227
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​，.
Dynamic Graph CNN for Learning on Point Clouds
caibo3913的博客
10-03 1853
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...
【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 2226
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
[3D目标检测和分割系列]Dynamic Graph CNN for Learning on Point Clouds
fanfan121314的博客
09-20 701
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
【论文阅读】Dynamic Graph CNN for Learning on Point Clouds
weixin_45616624的博客
05-24 984
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
GCGAN: Generative Adversarial Nets with Graph CNN for Network-Scale Traffic Prediction
02-08
GCGAN: Generative Adversarial Nets with Graph CNN for Network-Scale Traffic Prediction
Graph Representation Learning
02-18
"Graph Representation Learning" Graph Representation Learning（图表征学习）是指从图结构数据中学习到有用的表征，以便更好地进行后续的机器学习任务。该领域在近年来得到了快速发展，涌现出许多新的方法和技术...
Nonnegative Sparse and KNN graph for semi-supervised learning
02-06
For the graph-based semi-supervised learning, the performance of a classifier is very sensitive to the structure of the graph. So constructing a good graph to represent data, a proper structure for ...
Dynamic Graph Algorithms
08-26
Dynamic Graph Algorithms Methodology & State of the Art Algorithmic Techniques & Experimen Conclusions
【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++...
【1801.07829】DGCNN：Dynamic Graph CNN for Learning on Point Clouds
py今天刷题了吗
04-28 733
文章目录3. 参考资料 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 搞懂D.
DGCNN：Dynamic Graph CNN for Learning on Point Clouds 论文笔记
阿婷的博客
12-05 379
https://www.cnblogs.com/hithongming/p/11869428.html https://blog.csdn.net/hongbin_xu/article/details/85258278
Linked Dynamic Graph CNN: Learning on Point Cloud via Linking Hierarchical Features
caibo3913的博客
10-03 853
在DGCNN上做了一些改进： and there are several differences between our LDGCNN and DGCNN: • We link hierarchical features from different layers. • We remove the transformation network. 一是添加了节点的跨层连接，二是把3*...
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 1502
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}
【论文翻译】点云深度学习综述 -- Deep Learning for 3D Point Clouds: A Survey
csjiangxiaoqi的博客
05-19 3891
1. 介绍   随着3D采集技术的快速发展，3D传感器变得越来越可用，价格也越来越便宜，包括各种类型的3D扫描仪、激光雷达和RGB-D相机（如Kinect、RealSense和Apple depth相机）。这些传感器采集的三维数据可以提供丰富的几何、形状和尺度信息。与二维图像互补，三维数据提供了一个更好地了解机器周围环境的机会。三维数据在不同领域有着广泛的应用，包括自动驾驶、机器人、遥感、医疗和设计行业。   三维数据通常可以用不同的形式表示，包括深度图像、点云、Mesh和体素网格。点云表示作为一种常用的表
jiaoyanguizeduibi
最新发布
07-10
jiaoyanguizeduibi
pyqt to draw a 100k point Dynamic graph, what controls should I use
03-31
2. Implement a custom QGraphicsItem to represent each point on the graph. This item can be optimized to only redraw when necessary to improve performance. 3. Use a QTimer to periodically update the ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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