论文阅读:Adaptive Graph Convolution for Point Cloud analysis
自适应图卷积用于点云分析
论文地址: https://arxiv.org/pdf/2108.08035.
代码地址: https://github.com/hrzhou2/AdaptConv-master.
作者:Zhou Haoran
单位:南京航空航天大学
作为初入图卷积网络的小白,我就根据自己的理解来读这篇文章。
摘要:
问题:从二维网格域推广出来的三维点云的卷积已被广泛研究,但远非完美。标准卷积表征了三维点之间的特征对应难以区分,呈现了特征特征学习差的内在局限性。
贡献:
1、自适应图卷积 Adaptive Graph Convolution,它根据点的动态学习特征为点生成自适应kernel。
2、与使用固定/各向同性kernel相比,AGC 提高了点云卷积的灵活性,有效地、精确地捕获了来自不同语义部分的点之间的不同关系。
3、与流行的注意力机制不同,AGC是适应性卷积,而不是简单地给相邻点分配不同的权值。
4、广泛的定性和定量评估表明,本文的方法在几个benchmark数据集上优于最先进的点云分类和分割方法。
引言:
点云是个3D的数据,比如Li-DAR, RGB-D摄像机。对于3D目标而言,这是一种简化的方式。点云技术的应用也非常广泛。2D的图像就是普通的网格,并且是结构化的数据,而点云是随机离散点。
如果将体素引进来解决点云问题,计算量往往很大,所以3D卷积网络的层数往往不是很深。
而PointNet的提出,使用多层感知机来处理点云问题,是一个开创性的工作。
本文的创新点:
自适应图卷积,将图卷积过程中的权重分配操作交由变量,让模型自己学习一个点相邻关系的权重。
网络实现:
在实验中,自适应卷积是用两层感知机和残差连接实现的,这样可以学习到重要的几何信息。标准的图卷积层使用的是同输入的f大小的图结构作为自适应卷积核。
图池化:
如何逐步减少不重要的点,来构建层次结构中的网络呢,利用最远点采样算法对点云进行次采样,并且设置采样率为4,即四选一。对每个特征图,都进行采样,以简化计算。而在恢复原图的过程中,我们使用插入的方式,将图节点插入到对应原始节点中,然后使用最近邻取值方法逐步恢复图像的节点,从而恢复原图并得到点云的分割结果。
且看 下图:
这篇文章所解决的问题就是权重自适应,而不是简单的通过注意力进行分配,这种分配的缺陷是,所有的权重相加是一个固定的数。
在网络架构呈现在我们眼中时,这个网络层数是相当少的。所以参数量也不大。在后面的结果展示了模型的参数。
实现的过程同传统的注意力差别并不是太大,但在图卷积上实现这种权重分配也确实是一个大的创新点。
而图卷积的池化操作也是本文的一个亮点,毕竟这种采样之前是没有人尝试过的。
数据集:ShapeNetPart
由16881个样例,16种。其中14006个作为训练集,剩下2874个样本作为测试集。
每一个点云包含2-6个部位,而每个部位的点由50种标签组成。实验过程中,抽取2048个点,点的属性包括三维坐标的点法线。
ModelNet40: 12311张CAD models, 9843张训练, 2468张测试。
S3DIS: 3D-RGB, 13种,3栋楼 共计271个房间。
实验结果,看看,然后仔细分析论文中的写作手法:
从效率和对比结果进行有效性的阐述!!
感谢阅读!
点亮金手指,精彩继续!!!!
论文阅读:Adaptive Graph Convolution for Point Cloud analysis相关推荐
- 论文阅读—Adaptive Graph Encoder for Attributed Graph Embedding
Adaptive Graph Encoder for Attributed Graph Embedding(属性图嵌入的自适应图编码器) 文章目录 Adaptive Graph Encoder for ...
- 论文阅读—Relation-Aware Graph Attention Network for Visual Question Answering
论文阅读-Relation-Aware Graph Attention Network for Visual Question Answering 一.标题 用于视觉问答的关系感知图注意力网络 二.引 ...
- 【论文翻译】Graph Convolution over Pruned Dependency Trees Improves Relation Extraction
[论文翻译]Graph Convolution over Pruned Dependency Trees Improves Relation Extraction 摘要 1 引言 2 模型 2.1 依 ...
- 【论文阅读】Dynamic Convolution: Attention over Convolution Kernels(CVPR2020)
论文题目:Dynamic Convolution: Attention over Convolution Kernels(CVPR2020) 论文地址:https://arxiv.org/abs/19 ...
- 论文阅读“Embedding Graph Auto-Encoder for Graph Clustering”(TNNLS2022)
论文标题 Embedding Graph Auto-Encoder for Graph Clustering 论文作者.链接 作者:Zhang, Hongyuan and Li, Pei and Zh ...
- 论文阅读 “Adaptive Tool Path Planning Strategy for Freeform Surface Machining using Point Cloud Article”
基于点云的自由曲面自适应刀具轨迹规划策略 作者 摘要 关键字 面对的问题 国内外现状 基于网格的自适应刀具轨迹规划系统 数据预处理 均匀网格生成 CL网格点计算 刀具轨迹生成 Forward and ...
- 论文阅读 Adaptive Consistency Regularization for Semi-Supervised Transfer Learning
Adaptive Consistency Regularization for Semi-Supervised Transfer Learning 论文题目:自适应一致性正则化方法用于半监督迁移学习 ...
- [论文阅读] Adaptive Context Selection for Polyp Segmentation
论文地址:https://doi.org/10.1007/978-3-030-59725-2_25 代码:https://github.com/ReaFly/ACSNet 发表于:MICCAI'20 ...
- [论文阅读] SqueezeSegV3: Spatially-Adaptive Convolution for Efficient Point-Cloud Segmentation
文章目录 1. 主要思想 2. 具体方法 3. 实验支撑 4. 总结启示 5. 相关文献 paper 原论文的链接 code: 源代码链接 1. 主要思想 通过什么方式,解决了什么问题 要解决的问题 ...
最新文章
- 并查集c++代码_[Leetcode 每日精选](本周主题-并查集) 547. 朋友圈
- DLR学习笔记(01)
- Hbase完全分布式的搭建
- SpringBoot_入门-springboot-helloworld
- 土豆春季实习试题之惨烈教训
- android插件化-获取apkplug框架已安装插件-03
- [转载] Java复制对象与集合工具类
- 比较一下以“反射”和“表达式”执行方法的性能差异【转】
- pta C语言选择题
- SpringBoot实现Excel、Word转换为PDF
- coverity静态安全扫描分析软件linux环境搭建
- Windows程式开发设计指南--视窗和讯息
- [Codeforces 894E] Ralph and Mushrooms
- 策略路由(Policy-Based-Route)
- 【答粉丝问】桌面运维需要具备的技能有什么?
- 【品牌DTC增长力】从AIPL模型看策略趋势
- 将十进制正整数m转换成k进制(2≤k≤9)数的数字输出
- 刚打印完色3D模型不能完成取下来
- http,websocket,rpc的之间的关系
- Wikioi 1261 龙王的礼物
热门文章
- 安装完Ubuntu 16.04之后要做的一些事
- noip模拟赛 水管工的难题
- W5500在单片机中的测试及长字节的发送和接收
- gitleb 登陆方式_gitlab 之第三方OAuth登录接入(一)
- JG-OJ记录56:10:今夕是何年
- 「电子鼻」鉴别威士忌准确率高达96%,网友:给茅台也整一个
- 计算机u盘能直接拨出吗,u盘可以直接从电脑上拔下来吗
- linux u盘更新程序,嵌入式linux下插u盘自动更新的设计
- DataTables warning: table id=tableEquipment - Cannot reinitialise DataTable配上代码解决
- 天空卫士:背靠数据行为分析,保卫数据安全