ICCVNov, 2019

SpiralNet++：一种快速高效的网格卷积算子

PDF
TL;DR本文提出了一种基于内在网格卷积运算符的快速高效算法，该算法明确形式化了聚集相邻结点的顺序而不是学习权重，并通过全连接层将局部几何结构信息与顶点特征融合在一起，从而实现了对不变形状特征的有效学习。经过在三种不同类型任务停滞面对三维面部表情分类和三维形状重建，验证结果表明，本文算法明显优于现有的方法，且速度显著更快，不需要依赖形状描述符。
intrinsic mesh convolutiongeometric structureshape featuresfacial expression classificationshape reconstruction
发现论文，激发创造
  • 神经三维可变模型：螺旋卷积网络用于三维形状表示学习和生成

    本文提出了一种新颖的图卷积算子，通过对网格的本地顺序强制执行连续性，实现对固定底层图形的归纳偏差建模，并将其作为传统深度生成建筑的构件，以多种 3D 形状数据集为例，与线性 Morphable Model 和其他图卷积算子相比，展示出最先进的结果。

    May, 2019

  • FeaStNet: 基于特征导向的图卷积用于三维形状分析

    该研究提出了一种新颖的图卷积算子，通过动态地计算网络所学习到的特征与图上邻域之间的对应关系来实现任意连接的图邻域与滤波器权重之间的对应关系，并通过实验结果验证该方法可以从原始输入坐标学习有效的形状表示，而不依赖于形状描述符。

    Jun, 2017

  • 原始对偶网格卷积神经网络

    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

  • 基于球形核的三维点云图卷积的高效实现

    本文提出了一种球形卷积核，用于高效图形卷积处理 3D 点云数据，应用于图形神经网络中，实现点云分类和语义分割。

    Sep, 2019

  • TorchSparse++：基于 GPU 的稀疏卷积高效训练和推断框架

    TorchSparse++ 是一个新的 GPU 库，通过高效的稀疏卷积内核生成器和稀疏自动调整器，能够以极低的工程成本实现高性能的稀疏卷积计算，并在推理和训练任务中实现了显著的加速。

    Oct, 2023

  • ShellNet: 利用同心球体统计量的高效点云卷积神经网络

    本文提出了一种新的 3D 深度学习模型，ShellNet，它使用 ShellConv 卷积算子处理点云数据，并能够达到同类模型更高的训练速度和识别准确率。

    Aug, 2019

  • 图神经网络中基于几何原理的连接

    本文提出应该将几何图形应用作几何深度学习创新的主要推动力量，并介绍了一种称为仿射跳跃连接的新型构建块，该构建块由完全连接层与任何图卷积算子组合而成，证明其可以显著提高图分类等任务的性能。

    Apr, 2020

  • 基于图的点云学习的多核扩散 CNNs

    本研究提出一种新的架构设计，结合了旋转和拓扑不变的图扩散算子和 1x1 卷积的逐点特征学习，从而有效地在不规则图形上传播特征并提高 3D 点云的特征提取和语义分类精度。

    Sep, 2018

  • 基于图卷积核的三维点云物体检测

    该研究提出了一种基于 2D 透视范围图像的卷积神经网络架构方法，可用于直接从范围图像视图学习 3D 表示。通过利用本地几何和跨模态融合处理，该方法在行人检测方面的 AP 从 69.7％提高到 75.5％，同时模型参数和操作速度均表现良好。

    Jun, 2021

  • 局部谱图卷积用于点集特征学习

    本文介绍了一种在点云上进行特征学习的方法，使用基于图卷积的局部图结构和新颖的图池化方法，该方法取得了在点集分类和分割任务中的一致可靠优势。

    Mar, 2018