从点云中提取图结构：几何注意力是你唯一需要的

Jul, 2023

从点云中提取图结构：几何注意力是你唯一需要的

Graph Structure from Point Clouds: Geometric Attention is All You Need

Daniel Murnane

TL;DR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。

Abstract

The use of graph neural networks has produced significant advances in point cloud problems, such as those found in high energy physics. The question of how to produce a graph structure in these problems is usually treated as a matter of heuristics, employing fully connected graphs or K

graph neural networks point cloud problems topology problem attention mechanism top jet tagging

发现论文，激发创造

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

图注意力架构的鸟瞰教程

本文系统而集中地介绍了基于注意力机制的图神经网络在自然语言处理、计算机视觉和推荐系统等领域的应用，以及它们的优缺点。

Jun, 2022

基于图注意力的点云局部特征开发神经网络 GAPNet

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

图注意力回顾

本文针对图神经网络进行多个实验，并研究其在节点分类问题中的理论表现。研究结果指出，图注意力机制可以区分类内和类间边缘，重要边的权重得以保留，进而实现完美的节点分类。

Feb, 2022

基于注意力机制的图卷积网络，融合潜在结构和多个特征

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

三维点云语义分割的点注意力网络

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

鲁棒大规模网络定位的注意力图神经网络

提出了一种基于图神经网络的网络定位方法，通过结合关注机制，在严重的非直线视线传播情况下实现了卓越的稳定性和准确性，消除了离线校准或非直线视线识别的需求。

Nov, 2023

基于深度强化学习的几何问题求解中引入图注意机制

在在线教育领域，设计一个几何问题的自动求解器被认为是通往普适数学人工智能的关键一步。本研究提出了一种基于深度强化学习框架的图形注意力机制和 BERT 等语言模型的算法 A3C-RL，通过在特定空间中选择最佳策略，显著提高了准确性和效率，并在中国高考几何问题上超越了人类的表现。

Mar, 2024

基于模 motif 的注意力机制的图卷称神经网络

本文提出了一种新颖的框架，可以在任意图上学习空间和关注卷积神经网络，通过子图归一化和自我关注层，可以显著提高传统图内核和现有深度模型的图分类基准。

Nov, 2018

层次注意力和图神经网络：面向无漂移姿势估计

本文探索了使用分层注意机制和图神经网络的学习模型来替代传统的几何配准和姿态图优化的框架，通过压缩数据流并保留估计刚性姿态所需的基本信息，大大提高了姿态估计的精确性，尤其在旋转组件方面的改进较为明显。

Sep, 2023