AAAIJan, 2024

DHGCN：自监督点云学习的动态跳跃图卷积网络

PDF
TL;DR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。
graph convolution networkspoint cloudsdynamic hop graph convolution networkcontextual relationshipsself-supervised method
发现论文，激发创造
  • 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

  • 用于半监督节点分类的分层图卷积网络

    本研究提出了一种新的深层分层图卷积网络 (H-GCN)，通过聚合结构相似的节点形成超节点，然后再将粗化的图细化到原始图以恢复每个节点的表达，从而扩大每个节点的感受野，能够获取更多的全局信息，并在各种公共基准测试图数据集上表现出强大的实证性能。

    Feb, 2019

  • 快速可扩展的点云学习 Grid-GCN

    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。

    Dec, 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

  • DAGCN: 双重注意力图卷积网络

    本研究提出了一种新的框架，双注意力图卷积网络，用于解决图分类任务中邻域汇聚和池化操作的问题，并通过实验比较证明了该模型优于其他基线模型和深度学习方法。

    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

  • 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

  • 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

  • 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