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 ...

论文阅读:Adaptive Graph Convolution for Point Cloud analysis

自适应图卷积用于点云分析

论文阅读:Adaptive Graph Convolution for Point Cloud analysis相关推荐

最新文章

热门文章