【CVPR 2020】3D-GCN阅读

最新推荐文章于 2025-04-23 23:10:55 发布
最新推荐文章于 2025-04-23 23:10:55 发布
阅读量2.2k 收藏 2
点赞数
分类专栏： 点云 图神经网络 文章标签： 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.youkuaiyun.com/qq248/article/details/109113139
版权
本文介绍了CVPR 2020上的一项研究，探讨了3D图卷积网络（3D-GCN）在点云分析中的创新应用，特别是学习可变形核的方法。通过对比2D CNN和3D-GCN，展示了3D-GCN在处理3D数据的优势，并详细阐述了其计算过程和分类框架，以及最大池化的实现。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

【CVPR 2020】Convolution in the Cloud: Learning Deformable Kernels in 3D Graph Convolution Networks for Point Cloud Analysis 阅读

创新点
你好！ 这是你第一次使用 **Markdown编辑器** 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。
** 2DCNN和3D-GCN对比**
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
3D-GCN计算

最低0.47元/天 解锁文章
ST-GCN 论文解读
一杯水果茶！足矣~
04-09 3273
通过将图神经网络扩展到时空图模型，设计一种用于动作识别的骨架序列的通用表示，称为时空图卷积网络(ST-GCN)。
CVPR 2020——Grid-GCN for Fast and Scalable Point Cloud Learning
Dujing2019的博客
05-08 1464
CVPR 2020——Grid-GCN for Fast and Scalable Point Cloud LearningAbstractIntroduction2. Related WorkMethods3.1. Method Overview3.2. Coverage-Aware Grid Query (CAGQ) Abstract 由于点云数据的稀疏性和不规则性，直接消耗点的方法变得很流行...
3DGCN 项目使用教程
gitblog_00497的博客
09-12 436
3DGCN 项目使用教程 3dgcn Convolution in the Cloud: Learning Deformable Kernels in 3D Graph Convolution Networks for Point Cloud Analysis ...
探索3D空间：SPH3D-GCN，高效点云图卷积的新突破
gitblog_00046的博客
06-09 958
探索3D空间：SPH3D-GCN，高效点云图卷积的新突破 SPH3D-GCNSpherical Kernel for Efficient Graph Convolution on 3D Point Clouds项目地址:https://gitcode.com/gh_mirrors/sp/SPH3D-GCN 在3D计算机视觉领域，有效处理和理解3D点云数据是至关重要的任务。近日，由Huan Lei...
用卷积滤波器matlab代码-SPH3D-GCN:在3D点云上进行有效图卷积的球核
05-21
用卷积滤波器matlab代码在3D点云上进行有效图卷积的球核 由Huan Lei，Naveed Akhtar和Ajmal Mian创建 介绍 是IEEE CVPR2019中提出的重要扩展，并于2020年3月被TPAMI接受。 我们为3D点云的有效图卷积提出了球形核。 我们基于度量的内核系统地量化了本地3D空间，以识别数据中独特的几何关系。 类似于常规的CNN核，球形核保持平移不变性和不对称性，其中前者保证数据中相似局部结构之间的权重分配，而后者则有助于精细的几何学习。 所提出的内核可用于不依赖于边缘的滤波器生成的图神经网络，从而使其在计算上吸引大点云。 在我们的图形网络中，每个顶点都与单个点位置关联，并且边线在定义的范围内连接相邻点。 在最远的点采样中，该图在网络中被粗化。 类似于标准的CNN，我们为网络定义了池化和池化操作。 我们使用ModelNet， ShapeNet，RueMonge2014，ScanNet和S3DIS数据集证明了所提出的带有图神经网络的球形核对点云分类和语义分割的有效性。 在此存储库中，我们发布了用于分类和细分的代码和训练有素的模型。 引文 如果您发现我们的工作
CVPR2020：Grid-GCN用于快速和可扩展的点云学习
吴建明wujianming_110117
07-02 1123
CVPR2020：Grid-GCN用于快速和可扩展的点云学习 Grid-GCN for Fast and Scalable Point Cloud Learning 论文地址： https://openaccess.thecvf.com/content_CVPR_2020/html/Xu_Grid-GCN_for_Fast_and_Scalable_Point_Cloud_Learning_CVPR_2020_paper.html 代码地址：https://github.com/xharlie/Grid-G
近期必读的5篇顶会CVPR 2020【图神经网络（GNN）】相关论文-Part2.zip
03-17
计算机视觉顶会CVPR 2020在不久前公布了论文接收列表。本届CVPR共收到了6656篇有效投稿，接收1470篇，其接受率在逐年下降，今年接受率仅为22%。整理了CVPR 2020 图神经网络(GNN)相关的比较有意思的值得阅读的，主要涉及视频文本检索、人体解析、图像描述生成、人脸重构、Human-Object Interaction。
Learning Deformable Kernels in 3D GraphConvolution Networks for Point Cloud Analysis 阅读笔记
baidu_40582876的博客
12-23 2631
Task 定义一种在三维形状中，新的点云运算方法。 问题 (1) 三维点云是一种无序，无结构的三维形状表达方式，因此不能提供一种统一的运算方式。 (2)之前的一些方法，在对三维点云进行一些操作，例如放缩和平移的时候，就会影响计算的效果。 解决方法 （1）利用一个可变形的3D核去学习3D点云的信息。 （2）提出了一个基于图的最大池化的方法去处理不同的尺度信息。 方法 作者自定义了图卷积的感受野，即对于一个三维形状中的每一个点，作者固定了其周围的最近邻的M个点作为其感受野。此外，作..
关于3DGNN框架的探讨研究文章（文末附项目主要代码）
06-12
关于3DGNN框架展开：原理阐述，实验问题提出，解决方案、核心代码。该文总的回顾了GCN图卷积网络的历程，用可视化的生动语言解释了图神经网络的基本数据传输机理，最后通过实验证明了其合理的进步之处和不足之处。
HIgh-order-GCNII:高阶GCN，具有初始残差和基于3D人类姿势估计的身份映射
03-18
高阶GCNII 高阶GCN，具有初始残差和基于3D人类姿势估计的身份映射。在本节中，我们将原始GCN层重写为GCNII层，并将其应用于10层模型而没有剩余连接。 关于Human3.6M的结果 协议1（平均每关节位置误差）和协议2（刚性对准后平均每关节位置误差）下的地面真相检测rtesluts。 方法 2D检测 时代数 参数数量 MPJPE（P1） P-MPJPE（P2） Martinez等。 [1] 地面真相 200 429万 44.40毫米 35.25毫米 SemGCN 地面真相 50 27万 42.14毫米 33.53毫米 SemGCN（带非本地） 地面真相 30 43万 40.78毫米 31.46毫米 HGCN 地面真相 50 120万 39.52毫米 31.07毫米 HGCNII（我们的） 地面真相 50 120万 39.16毫米 30.83毫米 在协议1（平均每关节
用于分子解释的三维嵌入图卷积网络（3DGCN）
05-10
Three-Dimensionally Embedded Graph Convolutional Network (3DGCN) for Molecule Interpretation
CVPR2020：点云分析中三维图形卷积网络中可变形核的学习
吴建明wujianming_110117
06-29 1619
CVPR2020：点云分析中三维图形卷积网络中可变形核的学习 Convolution in the Cloud: Learning Deformable Kernels in 3D Graph Convolution Networks for Point Cloud Analysis 论文地址： https://openaccess.thecvf.com/content_CVPR_2020/papers/Lin_Convolution_in_the_Cloud_Learning_Deformable_Ker
人体姿态2019（四）SemGCN——Semantic Graph Convolutional Networks for 3D Human Pose Regression
Raywit的博客
07-17 8531
《Semantic Graph Convolutional Networks for 3D Human Pose Regression》论文解读 Abstract 1. Introduction 原文：Semantic Graph Convolutional Networks for 3D Human Pose Regression 收录：CVPR2019 代码：Pytorch Abstract 用于3D回归的图卷积网络(GCN)的问题：目前的GCNs算法存在一些限制，即卷积滤波器感受野小以及每个节
3D点云 GNN图神经网络 在目标检测上
weixin_42327834的博客
10-14 2921
在3D点云语义分割方法中,GNN已经做了很多可用的方案。 但是在目标检测上依旧是采用比较传统的CNN和稀疏卷积的组合，这一篇文章是研究了图卷积在3D检测的中的用法。来自卡内基梅隆大学。已经被CVPR2020接收.这里是paper 这里是code Abstruct 一个采用GNN设计的3D目标检测框架 过程是先将点云场景编码成图结构，随后设计了一个叫point-GNN的网络结构，在这其间，作者设计了一个自动配准的算法来减少转变误差，同时设计了一个目标框融合的操作来结合从多个顶点的准确预测。 1. ..
学习：图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导
czp_374的博客
10-26 1068
复制链接
深度学习之GCN的简单理解
zlinxi
07-11 9692
一、概述 GCN是一类非常强大的用于图书局的神经网络架构，下图展示了一个两层 GCN 生成的每个节点的二维表征，即使没有经过任何训练，这些二维表征也能够保存图中节点的相对邻近性。对于CNN中的卷积，本质上是利用一个共享参数的过滤器，计算中心像素点以及相邻像素点的加权和来构成特征图实现空间特征的提取，卷积核的参数通过优化求出才能实现特征提取的作用，而GCN的理论很大一部分就是为了引入可以优化的卷积...
【计算机视觉】CV项目实战- SORT 多目标跟踪算法
最新发布
weixin_43988131的博客
04-23 803
初始化# 每帧处理from sort import Sort # 初始化 mot_tracker = Sort(max_age = 5 , min_hits = 3) # 每帧处理 while True : dets = your_detector(frame) # [x1,y1,x2,y2,score] trackers = mot_tracker . update(dets) for d in trackers : print(f"ID: {4。
评论 1
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