FeaStNet: 基于特征导向的图卷积用于三维形状分析
本文介绍了一种基于图卷积神经网络的新型神经学习框架并探讨了其在处理结构化和非结构化分类问题方面的应用,证明该方法在文档和分子分类问题方面具有国际领先水平。
Mar, 2017
本文提出一种新的形状全卷积网络 (Shape Fully Convolutional Networks,SFCN) 架构,用于三维形状的分割,该架构基于图形卷积和池化操作。同时,基于 SFCN 架构,还提出了一种新的形状分割方法,并采用基于特征投票的多标签图割算法来优化 SFCN 预测得到的分割结果。实验结果表明,我们的方法在学习和预测相似或不同特征的混合形状数据集方面表现出很好的效果。
Feb, 2017
本论文提出了一种新的结构化图卷积算子,可以复制二维卷积权重,将传统 CNN 训练的能力转移到新的图网络,从而可以处理非矩形数据,不需要在大型数据集上进行领域特定的训练。作者还展示了将预训练图像网络应用于分割、风格化和深度预测等多种数据形式,并得出了相应的实验结果。
Jul, 2022
本文介绍了使用 Graph-CNNs 和 PointGCN 对 3D 点云数据进行分类的方法,通过局部图卷积和两种图降采样操作实现了对点云局部结构的有效探索,与竞争方案相比,该架构具有更稳定的性能。
Nov, 2018
该研究将卷积神经网络推广到高维不规则图像中,通过谱图理论提出了一种卷积滤波器设计方法,在保持线性和常数学习复杂度的同时,实现了对任意图结构的卷积作用,成功在图像识别领域实现了局部、平稳、组合特征的学习。
Jun, 2016
本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法,使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析,并引入一种准确的几何解释来处理网格连接的变化,并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。
Oct, 2020
该论文提出了一种新的神经网络模块 EdgeConv,用于处理点云数据的图形分类和分割任务,它在每个层动态计算出图形,具有可堆叠和可微性等优点,并通过一些标准基准测试展示了优异性能。
Jan, 2018
本文提出了一种局部结构感知的各向异性卷积操作(LSA-Conv),利用自适应加权矩阵和共享各向异性滤波器来学习三维形状数据的表示,从而实现了比现有方法更好的三维形状重构。
Apr, 2020
该论文介绍了一种新的卷积神经网络架构,名为 Motif-CNN,能够处理具有不规则连接结构的图形,特别是异构图形,实现了半监督节点分类,并在真实社交网络和多个代表性异构图形数据集上显示出与现有图形卷积神经网络和其他最先进技术相比的显着优势。
Nov, 2017
本文提出了一种名为 Geo-CNN 的算法,通过将点和其局部邻域应用一种称为 GeoConv 的通用卷积操作来捕捉点云中局部几何关系,并在特征提取过程中保留点云的几何结构,实现了在 ModelNet40 和 KITTI 数据集上的最先进性能。
Nov, 2018