Dec, 2019

快速可扩展的点云学习 Grid-GCN

PDF
TL;DR本文提出了名为 Grid-GCN 的方法，用于快速和可扩展的点云学习。Grid-GCN 使用一种新颖的数据结构策略，Coverage-Aware Grid Query（CAGQ），通过利用网格空间的效率，提高了空间覆盖范围，同时减少了理论时间复杂度，具有很高的速度和可扩展性。Grid-GCN 在各类点云分类和分割基准测试中都表现优异，并且比以前的研究运行速度更快。值得注意的是，在使用 81920 个点作为输入场景进行 ScanNet 推理时，Grid-GCN 实现了 50fps 的推理速度。
point cloud datagraph convolutional networksdata structuringgrid-gcnpoint cloud learning
发现论文，激发创造
  • 使用图卷积网络进行点云上采样的 PU-GCN

    本研究提出了一种基于学习的点云上采样管道，其中使用 NodeShuffle 作为点上采样模型，并提出了一个新的多尺度点特征提取器，称为 Inception DenseGCN，将其与 NodeShuffle 结合成一种新的点上采样管道 PU-GCN，这种方法能够显著地提高上采样点云处理的效果。

    Nov, 2019

  • 基于图卷积神经网络的三维点云分类

    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

  • 基于树结构图卷积的 3D 点云生成对抗网络

    本文提出了一种名为 tree-GAN 的新型生成对抗网络用于 3D 点云生成，并引入树形图卷积网络 (TreeGCN) 作为 tree-GAN 的生成器以提高特征的表示能力，通过引入评估指标 FPD 来准确评估 3D 点云 GAN，实验结果表明了 tree-GAN 在传统度量和 FPD 方面都优于现有的 GAN，并且可以生成不同语义部分的点云。

    May, 2019

  • 点云分割的正则化图卷积神经网络 (RGCNN)

    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

  • DHGCN：自监督点云学习的动态跳跃图卷积网络

    我们提出了一种名为 DHGCN（Dynamic Hop Graph Convolution Network）的方法，通过学习点部件之间的上下文关系来提取点云中的局部特征，并利用学习到的跳跃距离作为输入进行图注意聚合，通过自我监督方法实现了最先进的性能。

    Jan, 2024

  • 高精准、高效率和可扩展性的图嵌入算法

    本文提出了并行化技术，为图采样 GCN 提供卓越的可扩展性性能，在不妥协准确性的情况下，在非常大的图上实现了优秀的性能。具体地，我们保证了 GCN 的高效训练，并在计算和通信方面节约了数量级的开销，同时，我们的并行图嵌入在可扩展性、效率和准确性方面优于现有的方法。

    Oct, 2018

  • 4DSR-GCN: 使用图卷积网络进行 4D 视频点云上采样

    本研究提出了一种新的方法，使用特定设计的图卷积网络以及结合动态边卷积和图注意力网络，实现对经过重压缩的 3D 视频点云数据的提升和恢复，同时通过更少的参数达到可比较的重建质量，适用于例如自动驾驶中使用的 LiDAR 等边缘计算设备。

    Jun, 2023

  • Cluster-GCN：一个用于训练深度和大型图卷积网络的高效算法

    本文介绍了 Cluster-GCN 算法，通过利用图聚类结构，将邻域搜索限制在一个由图聚类算法确定的密集子图中，从而实现大规模 GCN 的 SGD 训练，在保证可比性测试精度的情况下显著提高了内存和计算效率。

    May, 2019

  • 基于动态链接的图卷积网络：通过链接层级特征学习点云

    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

  • 空间图卷积网络

    提出了 Spatial Graph Convolutional Network (SGCN) 来改进 Graph Convolutional Networks (GCNs)，SGCN 利用了空间特征来有效地学习从自然定位的图形中，经过实验证明，SGCN 优于现有的图形方法在图像分类和化学任务上的表现。

    Sep, 2019