(TOG 19) DGCNN: Dynamic Graph CNN for Learning on Point Clouds

最新推荐文章于 2025-10-26 10:38:58 发布
原创 最新推荐文章于 2025-10-26 10:38:58 发布 · 2.5k 阅读 · 6 ·
CC 4.0 BY-SA版权
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。
文章标签：

#pytorch #深度学习 #python #3d

DGCNN是一种用于点云处理的深度学习模型，通过EdgeConv操作模拟了CNN在图像上的作用。它首先通过KNN构建有向图，并利用MLP进行特征学习，然后通过Max-pooling聚合信息。DGCNN的独特之处在于其动态性，后续的EdgeConv操作在特征空间中进行KNN，使得每次构建的图不同。实验表明，DGCNN在ModelNet40分类任务上取得了92.9%-93.5%的准确率。

在这里插入图片描述
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 x i {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 V V V代表图中各个顶点， E E E代表边。如下图所示：
在这里插入图片描述

Graph Convolution

定义EdgeConv的核心操作为：
在这里插入图片描述
可以看到，对于中心点 x i x_i xi​与 x j x_j xj​

最低0.47元/天 解锁文章
dloading7
关注
PointConv：基于3D点云的深度卷积网络
3D视觉工坊
11-20 4451
原文首发于微信公众号「3D视觉工坊」——PointConv：基于3D点云的深度卷积网络 本文出自知乎： https://zhuanlan.zhihu.com/p/69597887?utm_source=wechat_session&utm_medium=social&utm_oi=1135649954939883520 原文： PointConv: Deep Convol...
【论文阅读】Dynamic Graph CNN for Learning on Point Clouds
价值知识传播者
01-18 701
尽管在图形学和计算机视觉领域长期以来一直提出了关于点云的手工设计特征，但最近卷积神经网络（CNN）在图像分析方面取得的巨大成功表明，将CNN的见解应用于点云领域具有很大价值。为此，我们提出了一种新的神经网络模块，名为EdgeConv，适用于基于CNN的点云的高级任务，包括分类和分割。底部：示意神经网络架构。顶部：在网络的不同层次上产生的特征空间的结构，可视化为从红点到所有其他点的距离（从左到右显示输入和层次1-3；EdgeConv的输出是通过聚合与从每个连接顶点发出的所有边缘相关联的边缘特征来计算的。
【DGCNN】Dynamic Graph CNN for Learning on Point Clouds
2665000101@qq.com
09-10 544
摘要： DGCNN是一种针对点云数据的神经网络，通过**边缘卷积（EdgeConv）**模块捕捉局部几何关系与全局结构。EdgeConv利用k近邻构建动态图，结合中心点与相对位置特征，通过聚合函数（如max）保证置换不变性。动态图更新机制使模型能自适应学习语义邻居，扩大感受野。该结构平衡了平移不变性与全局位置信息，适用于点云分类、分割等任务。代码与论文已开源。
如何快速掌握动态图卷积神经网络（DGCNN）：点云处理的终极指南
最新发布
gitblog_00421的博客
10-26 321
动态图卷积神经网络（DGCNN）是一种用于处理点云数据的高效神经网络架构，通过创新的EdgeConv操作实现无序点集的高精度分类与分割任务，已集成到PyTorch和TensorFlow等主流深度学习框架中。本文将带你快速入门DGCNN的安装与应用，适合零基础学习者。 ## ???? 为什么选择DGCNN？点云处理的核心优势 点云数据作为3D感知的重要载体，广泛应用于自动驾驶、无人机测绘和工业检测等...
[3D目标检测和分割系列]Dynamic Graph CNN for Learning on Point Clouds
fanfan121314的博客
09-20 873
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
DGCNN (Dynamic Graph CNN for Learning on Point Clouds,动态图卷积网络)
T5A_318的博客
09-23 4915
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。 ..
【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 3076
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 4607
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...
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 5929
文章目录摘要简介：2 背景2.1 数据集2.2 衡量指标3 3D形状分类3.1基于多视角的方法3.2基于体素的方法3.3 基于点的方法3.3.1逐点MLP网络3.3.2基于卷积的网络3.3.3基于图的网络3.3.4基于数据索引的方法3.3.5其他方法小结4 3D物体检测与跟踪4.1 3D物体检测4.1.1 基于候选区域的方法4.1.2 single-shot方法4.2 3D对象跟踪4.3 3D场景流估计4.4 小结：5 3D点云分割5.1 3D 语义分割5.1.1 基于投影的方法5.1.2 基于离散的方法5
点云基于图论的处理方法
weixin_41134246的博客
02-19 2180
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...
Facial Action Unit Intensity Estimation via Semantic Correspondence Learning with Dynamic Graph Conv
o0Helloworld0o的博客
04-29 1267
Proposed Methodology Heatmap Regression 将预测AU intensity vector的问题转换为预测multiple AU heatmaps Fig.2给出了每一个AU的central location Q：每一个点都应该由68个landmarks通过某些规则计算得到的吧，文中没有仔细说明 ...
A Gentle Introduction to Deep Learning for Graphs 图深度学习的温和介绍
m0_44967199的博客
02-17 5158
文章目录1.简介2. 高级概述2.1、数学符号 论文：A Gentle Introduction to Deep Learning for Graphs 作者：Davide Bacciua, Federico Erricaa, Alessio Michelia, Marco Poddaa 意大利比萨大学计算机科学系 来源：Machine Learning (cs.LG) 论文链接： https:/...
Dynamic Graph CNN for Learning on Point Clouds
caibo3913的博客
10-03 1997
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++...
Dynamic Graph CNN for Learning on Point Clouds （Edgeconv)
weixin_43996345的博客
10-12 1109
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 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
Dynamic Graph CNN for Learning on Point Clouds代码调试
dydwl的博客
12-01 468
针对DGCNN代码的个人调试
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