ICCVAug, 2021

点云分析的自适应图卷积

PDF
TL;DR本文提出了 Adaptive Graph Convolution (AdaptConv) 来生成自适应的核，以动态地学习点云的特征，从而以灵活、精确地捕捉不同语义部分点之间的多样关系的方式，改善了基于点云的卷积操作的适应能力，并且在几个基准数据集上表现优于当前最先进的点云分类和分割方法。
发现论文，激发创造
  • 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

  • PointConv：3D 点云上的深度卷积网络

    本文介绍了一种新的卷积操作 PointConv，此操作可用于处理 3D 点云并建立深度卷积神经网络，该网络具有创建非线性函数权重和密度函数的功能，实验表明，PointConv 可用于挑战性的语义分割基准测试，并在 2D 图像的结构相似情况下提供类似于卷积网络的性能。

    Nov, 2018

  • 基于点云学习的动态图卷积神经网络

    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

  • 使用不规则视角分析不规则点云的 diffConv

    本文提出了一种新型的图卷积神经网络，名为差分图卷积 (diffConv)，通过学习掩码式注意机制来适应空间变化和密度膨胀的邻域，相比现有方法在 3D 形状分类和场景理解任务上获得了更好的性能。

    Nov, 2021

  • PAConv: 基于点云动态内核组装的位置自适应卷积

    引入了 Position Adaptive Convolution (PAConv) 算法，该算法通过使用 ScoreNet 从点位置自适应学习基础权重矩阵，并动态组装构建卷积核，从而实现更好处理不规则和无序点云数据的能力，在不改变网络配置的情况下将其集成到传统的基于多层感知器的点云管道中。

    Mar, 2021

  • KPConv：用于点云的灵活可变形卷积

    Kernel Point Convolution（KPConv）是一种新的针对点云进行卷积的设计，其卷积权重位于欧几里得空间中的核点，能够适应任意数量的核点，由于其具有连续性，可以学习适应局部几何特征的形变卷积，并可用于许多复杂和简单任务的分类和分割，优于现有分类和分割方法。

    Apr, 2019

  • 基于注意力机制的图卷积神经网络点云学习

    提出了名为 AGCN 的新型网络结构，结合了图卷积网络和注意力机制，可以有效地从无序和非结构化的点云数据中提取特征，经实验证明在分类和分割任务中均达到了当前最先进的性能。

    May, 2019

  • 全局上下文感知卷积用于三维点云理解

    本文提出了一种新型的卷积操作符，通过将全局上下文信息与卷积融合，增强了点云数据中特征的区分度，从而解决了旋转不变性卷积的性能问题，并在多项点云任务中实现了最先进的结果。

    Aug, 2020

  • 自适应图卷积神经网络

    本研究提出了一种基于自适应图的距离度量学习的广义灵活图卷积神经网络（Graph CNNs），在九个图结构数据集上，实现了收敛速度和预测精度方面的显著性能提升。

    Jan, 2018

  • GraphFit: 学习多尺度图卷积表示用于点云法向估计

    本文提出了一种精确高效的方法，用于处理非结构化三维点云上的噪声与非均匀密度，并通过图卷积特征表示学习局部邻域几何信息进行法向量估计，设计了基于注意力机制的自适应模块，进一步增强了法向估计器对点密度变化的鲁棒性，并引入多尺度结构提取图块来学习更丰富的几何特征，在多个基准数据集上实现了最先进的精度和较强的噪声鲁棒性。

    Jul, 2022