本研究提出了一种点关注网络,它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性,并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明,该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。
Sep, 2019
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
本文提出了利用结构信息和多种注意力函数计算权重的关注型空间图卷积(AGC)方法以及基于该方法的用于分类和预测点云标签的图神经网络(GNN)模型,实验结果表明,所提出的 GNN 性能优于现有方法。
Mar, 2023
本文提出了一种基于图卷积神经网络的 LDGCNN 模型,用于直接分类和分割点云。通过理论分析、可视化和实验验证,证明了 LDGCNN 在 ModelNet40 和 ShapeNet 数据集上的优异性能。
Apr, 2019
本文提出一种基于图卷积层的深度神经网络,能够优雅地处理学习型点云处理方法所遇到的置换不变性问题,通过动态构建邻域图来建立特征的复杂层次结构,与促进接近理想表面的损失相结合,该方法在各种指标上都明显优于现有方法,特别是在高噪声和结构噪声等实际情况下表现尤为稳健。
Jul, 2020
本文提出了一种正则化图卷积神经网络 (RGCNN),通过谱图理论,将点云中的特征视为图上的信号进行卷积,可以直接处理点云数据,提高了点云分割效能,并在 ShapeNet 部件数据集上进行了实验验证。
Jun, 2018
使用图神经网络在高能物理等领域中解决点云问题取得了显著进展,本文将问题提升为拓扑问题,并提出了一种注意力机制,允许在学习空间中构建图结构以处理相关性流动,从而提供了一种拓扑问题的解决方案,我们在顶夸克标记任务上测试了名为 GravNetNorm 的这种架构,并显示其标记精度具有竞争力,且使用的计算资源远少于其他可比较的模型。
Jul, 2023
本文提出了一种形状取向的消息传递方案 ShapeConv,结合了形状特征学习和上下文信息对基于点云的分析的贡献,并将其堆叠到分层学习体系结构 SOCNN 中以分析点云的分类和分割任务。
Apr, 2020
本研究基于图形注意力机制,提出了一个新的神经网络 GAPNet,用于学习点云中的局部几何表示,并且在形状分类和部分分割任务中,取得了最先进的性能。
May, 2019