Dynamic Graph CNN for Learning on Point Clouds 解析

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1.3w 收藏 50
点赞数 14
分类专栏： 机器学习 文章标签： Point Cloud Graph Conv
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.youkuaiyun.com/legend_hua/article/details/79175315
版权

      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

该文章的网络结构和PointNet的相似，只是对其中的提取特征的结构进行了修改为EdgeConv

其中EdgeConv的设计是文章的创新之处。文章原文是这样描述的：输入为nxf的tensor，通过MLP按照给定的每一层的输出特征尺寸{a1,a2,...,an}计算边缘特征，最后沿着neighboring的边缘特征的方向做pooling操作生成新的tensor——n x an。

二、EdgeConv层介绍

为了细致的说明EdgeConv层的道理，文章针对EdgeConv举了一个例子，文中的图是这样的。

最低0.47元/天 解锁文章
【论文阅读】Dynamic Graph CNN for Learning on Point Clouds
weixin_45616624的博客
05-24 1539
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 （Edgeconv)
weixin_43996345的博客
10-12 1061
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...
DGCNN (Dynamic Graph CNN for Learning on Point Clouds,动态图卷积网络)
T5A_318的博客
09-23 4576
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。 ..
Dynamic Graph CNN for Learning on Point Clouds
caibo3913的博客
10-03 1950
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...
(TOG 19) DGCNN: Dynamic Graph CNN for Learning on Point Clouds
dloading7的博客
04-03 2425
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代码调试
dydwl的博客
12-01 405
针对DGCNN代码的个人调试
Point Attention Network for Semantic Segmentation of 3D Point Clouds 论文解析
761527200_leili的博客
10-07 1673
一.摘要 1.在稀疏的三维点云上直接利用经典的卷积核或参数共享机制是低效的，因为它们具有不规则性和无序性（卷积核对应着点云的无序性，参数共享对应着点云的混乱性–（稠密和稀疏）） 2.由于相邻点的几何分布不受点序的影响，提出了一种基于多方向搜索的邻域点的局部注意边卷积算法 3.我们将注意系数分配到每条边，然后将点特征作为其相邻点的加权和进行聚合。然后将学习到的LAE-Conv层特征赋予点向空间注意模...
DGCNN(Edge Conv) : Dynamic Graph CNN for Learning on Point Clouds
761527200_leili的博客
10-04 4331
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 2784
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
09-20 795
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
【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
04-28 839
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.
Dynamic Graph CNN for Learning on Point Clouds 阅读笔记
qq_43111600的博客
03-11 358
应用于点云的动态图卷积神经网络DGCNN论文阅读笔记。
DGCNN：Dynamic Graph CNN for Learning on Point Clouds 论文笔记
阿婷的博客
12-05 484
https://www.cnblogs.com/hithongming/p/11869428.html https://blog.youkuaiyun.com/hongbin_xu/article/details/85258278
Linked Dynamic Graph CNN: Learning on Point Cloud via Linking Hierarchical Features
caibo3913的博客
10-03 935
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*...
pointcloud graph
shaoyuwife的博客
11-06 337
Point Cloud Graph Methods name EdgeConv 特征空间中的KNN 通过特征来找knn，然后特征空间中构建graph，多层edgeconv之后，节点的个数不会减少 Local spectral graph convolution for point set feature learning 三维空间中的KNN 基于pointnet。可与poi...
Dynamic Graph CNN for Learning on Point Clouds 代码注解
夜晓岚的博客
12-24 2043
论文解读参阅:https://blog.youkuaiyun.com/weixin_39373480/article/details/88724518 https://blog.youkuaiyun.com/qq_39426225/article/details/101980690 https://blog.youkuaiyun.com...
A GRAPH-CNN FOR 3D POINT CLOUD CLASSIFICATION
caibo3913的博客
10-02 881
提出了一种基于图卷积神经网络提取点特征的点云分类网络。 输入N*3的点云，通过切比雪夫多项式的图卷积，先升成N*1000，也就是把每个节点的信息增加到1000维，然后针对global-pooling，再做一次卷积，把两次卷积得到的2个N*1000维的张量，按列取最大和按列算方差（对称函数），则消除了点序的影响，然后两个2*1000的最大向量concat，两个2*1000的方差向量concat...
dgcnn和cnn区别
最新发布
07-27
- *3* [Dynamic Graph CNN for Learning on Point Clouds(DGCNN)论文阅读笔记——核心思想：EdgeConv细析](https://blog.youkuaiyun.com/weixin_43977640/article/details/111240030)[target="_blank" data-report-click={...
评论 5
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