DGCNN，继Pointnet之后点云特征提取的又一代表性工作.Pointnet是先在每个点的特征上各自进行MLP提取(没有点与点之间的特征交流),最后使用MAXpool将所有点的特征融合在一起,得到一个对总体点云的1024维的特征描述子,因此可以将Point net作为点云全局特征的提取器.相比Pointnet,DGCNN则可以对点云的局部几何特征进行提取和利用.DGCNN采用了图神经网络对点云
转载
2023-08-04 14:22:26
299阅读
文章说明： 1)参考资料：PYG的文档。文档超链。 2)博主水平不高，如有错误，还望批评指正。 3)我在百度网盘上传这篇文章jupyter notebook以及有关文献。提取码8848。 文章目录简单前置工作学习文献阅读PointNet++的实现模型问题 简单前置工作学习一个简单分类任务。具体如下：导库以及下载数据from torch_geometric.datasets import Geome
转载
2023-08-08 17:47:44
179阅读
点云变化检测技术是指通过比较两个或多个点云之间的差异和变化的过程。可以将点云变化检测技术分为基于体素的技术、基于特征的技术和基于统计的技术。基于体素的变化检测技术 是将点云以一定的分辨率转换成体素网格，并比较两个体素网格之间的差异来检测点云变化。 具体实现步骤如下： （1）将两个点云都转换为体素网格，可以使用PCL库中的VoxelGrid类提供的函数voxelize()来完成这个过程。 （2）对每
转载
2023-12-27 11:09:12
101阅读
图神经网络（5)_GCN原理与代码（哔哩哔哩视频）github笔记： 其他一些资料：DGL官方教程，包含图的介绍、节点分类、边分类、整图分类等实例代码李宏毅机器学习视频 Graph Neural Network 1 （哔哩哔哩视频）李宏毅机器学习视频 Graph Neural Network 2 （哔哩哔哩视频）图神经网络介绍-In
转载
2023-05-29 15:51:58
108阅读
近年来，深度学习领域关于图神经网络（Graph Neural Networks，GNN）的研究热情日益高涨，图神经网络已经成为各大深度学习顶会的研究热点。GNN处理非结构化数据时的出色能力使其在网络数据分析、推荐系统、物理建模、自然语言处理和图上的组合优化问题方面都取得了新的突破。图神经网络有很多比较好的综述可以参考，更多的论文可以参考清华大学整理的GNN paper list。本篇文章将从一个更
转载
2023-08-21 09:45:23
367阅读
本文主要介绍了2021年最新的图神经网络综述，是入坑的最佳材料。 图神经网络已经成为深度学习领域最炙手可热的方向之一了，也是各大互联网公司非常欢迎的方向。A Survey on Heterogeneous Graph Embedding 本文来自图挖掘大牛Philip S. Yu老师和在异质图领域深耕的北邮C
转载
2023-08-11 17:52:23
115阅读
前言深度学习4 搬运了国外一篇比较好的博客A Gentle Introduction to Graph Neural Networks正文图形无处不在；现实世界中的物体通常是通过与其他事物的连接来定义的。一组物体和它们之间的连接自然地表达为一个图。研究人员已经开发了能够处理图形数据的神经网络（称为图神经网络或GNN）超过十年。最近的发展增强了它们的能力和表达能力。图神经网络开始在诸如抗
转载
2023-09-04 23:20:43
159阅读
研究点云数据时，感觉无从下手？看看这十大点云数据处理技术，换个思路学点云。点云 · 定义简言之，在获取物体表面每个采样点的空间坐标后，得到的是一个点的集合，称之为“点云”。包括三维坐标（XYZ）、激光反射强度（Intensity）和颜色信息（RGB）。点云·数据处理技术目前，点云处理涉及的技术主要为以下十个：点云滤波（数据预处理）点云关键点特征和特征描述点云配准点云分割与分类SLAM图优化目标识别
转载
2023-10-12 11:19:33
155阅读
基于图神经网络的节点表征学习本文内容来自Datawhale开源课程引言在图节点预测或边预测任务中，首先需要生成节点表征（Node Representation）。我们使用图神经网络来生成节点表征，并通过基于监督学习的对图神经网络的训练，使得图神经网络学会产生高质量的节点表征。高质量的节点表征能够用于衡量节点的相似性，同时高质量的节点表征也是准确分类节点的前提。本节中，我们将学习实现多层图神经网络的
转载
2023-09-02 11:19:58
119阅读
几何处理和三维视觉几何处理：是一种计算的方法研究世界中的物理对象，通过硬件扫描生成物理对象的三维模型然后做各种处理和分析。三维视觉：传统的3D视觉是指从图像中恢复底层的三维结构。1 几何重建1.1几何重建的基本流程扫描：从不同视角观察获取深度信息。（shape from X）、激光雷达等。配准：将不同视角观察同一事物获得的多个点云合并到一起。重建：根据点云数据构建网格模型。从点云重建网格模型的关键
转载
2023-12-19 15:21:02
45阅读
图神经网络（四）图分类（2）基于层次池化的图分类4.2 基于层次化池化的图分类4.2.1 基于图坍缩的池化机制1.图坍缩2.DIFFPOOL3.EigenPooling（1）图坍缩（2）池化操作4.2.2 基于TopK的池化机制4.2.3 基于边收缩收缩的池化机制 4.2 基于层次化池化的图分类 本节以3中不同的思路介绍能够实现数据层次化池化的方案 [0] 。图坍缩（Graph Coarseni
转载
2024-04-08 07:37:31
120阅读
1 引言早期三维场景的识别与分割主要有三种方法，一是多视角，即将多张二维图片堆叠成三维立体做以处理，二是体素化，即对若干能表达实体的立方体素进行处理，三是非欧式处理。点云相较来说容易获取且表达简单，PointNet就是一种点云的识别与分割的方法。2 分析点云主要有三个性质，它决定其不可使用简单的深度学习方法进行分割处理； 一是无序性，即点云的输入是无序的，但是其在空间中呈现的效果不会因顺序发生改变
转载
2023-11-20 05:47:05
201阅读
Tensorflow是一个通过计算图的形式来表述计算的编程系统，计算图也叫数据流图，可以把计算图看做是一种有向图，Tensorflow中的每一个节点都是计算图上的一个Tensor张量，而节点之间的边描述了计算之间的依赖关系(定义时)和数学操作(运算时)。 Tensorflow的关键优势并不在于提供多少的深度神经网络模型，函数或方法，
转载
2023-12-13 05:07:23
56阅读
作者 | Lingfei Wu等在 Transformer 推动自然语言处理领域迅猛发展的当下，基于图神经网络的 NLP 研究也不容忽视。在近日的一篇综述论文中，来自京东硅谷研发中心、伦斯勒理工学院、浙江大学等机构和高校的研究者首次对用于 NLP 的图神经网络（GNN）进行了全面综述。其中涵盖大量相关和有趣的主题，如用于 NLP 的自动图构建、图表示学习和各种先进的基于 GNN 的编码器
转载
2024-03-14 12:19:45
70阅读
百度图神经网络学习地址：https://aistudio.baidu.com/aistudio/education/group/info/1956PGL算法地址：https://github.com/PaddlePaddle/PGL一、图学习应用有哪些：二、图游走类型模型有哪些1、Deepwalk 采样对于给定的节点，DeepWalk会等概率的选取下一个相邻节点加入路径，直至达到最大路径长度，或者
转载
2023-11-29 06:18:42
37阅读
目录图数据的特殊性：怎么将深度学习应用到graph上呢？？ 图卷积神经网络（graph convolutional networks）GCN的计算公式如下：训练GCN网络归纳能力（我愿称之为泛化能力）摘要： 图的特殊性、怎么引入GNN、介绍GCN图数据的特殊性：1. 没有固定的节点顺序或参考点（排列不变性，不同的节点顺序代表同一个图）2.经常有动态并且多种模式的特征怎么将深度学习应用到g
转载
2024-01-06 20:36:26
23阅读
LDGCN: Linked Dynamic Graph CNN Learning on PointCloud via Linking Hierarchical Features南方科技大学 代码链接https://github.com/KuangenZhang/ldgcnn本文是基于DGCNN和PointNet进行改进之后的工作，主要是用于点云特征提取任务，可以很方便的扩展到点云分类和点云分割任务
转载
2024-01-17 08:13:44
82阅读
点云法向量是3D点云一个极其重要的几何表面特征，众多的点云处理算法都依赖精确的法向量估计，例如点云分割，点云去噪等。在自动驾驶领域，面对特殊场景我们主要依赖点云法向量进行场景分割。估计点云法向量需要得到该点的邻域内点，根据邻域内点估计出平面及法向量。在众多法向量估计方法中，基于局部表面拟合法使用最为广泛，原理简单，计算效率较高。基于局部表面拟
A-CNN—Annularly Convolutional Neural Networks on Point Clouds 阅读笔记一、贡献点二、模型结构2.1 Regular and Dilated Rings2.2 Constraint-based K-NN Search2.3 Ordering Neighbors2.4 Annular Convolution on Rings2.5 Poo
转载
2024-02-02 09:41:49
61阅读
神经网络参数优化–基于CNN的验证转自：https://ziyubiti.github.io/2016/11/20/cnnpara/ 当使用多层更深的隐藏层全连接网络时，参数量会变得非常巨大，达到数十亿量级；而采用CNN结构，则可以层间共享权重，极大减小待训练的参数量；同时可采用二维卷积，保留图像的空间结构信息；采用池化层，进一步减少参数计算。 一般来说，提高泛化能力的方法主要有： 正则化
转载
2023-10-27 10:21:31
104阅读
点赞
