浅读基于点云的DGCNN DGCNN是一种动态的基于图的CNN,主要解决的问题是PointNet和PN++中没有考虑到的局部信息中的几何结构关系。核心理论是提出了EdgeConv DGCNNarxiv.org/pdf/1801.07829.pdf 一、理论 本篇对GCN的解释很简短,可以先了解Graph CNN再重新研究DGCNN。 图的构成是node 和 edge,为了考虑局部的图的...
DGCNN(Dynamic Graph CNN)是一种基于图的动态卷积神经网络,主要解决了PointNet和PN++等网络在处理点云数据时未充分考虑到的局部信息中的几何结构关系问题。DGCNN的核心理论是提出了EdgeConv,这是一种可以在每层中计算网络动态图的模型,适用于基于CNN的高级别的点云分割和点云聚类任务。 DGCNN通过构造一个局部邻域图,...
PointNet是我们方法中k = 1的特例,生成一个边设为空的图E =∅。PointNet中使用的边函数是hΘ(xi, xj) = hΘ(xi),它考虑的是全局几何而不是局部几何。PointNet++试图在局部区域应用PointNet解释局部结构。在我们的说法中,PointNet++首先根据点之间的欧几里得距离构造图,并在每一层应用一个图粗化操作。
我们提出了一种受PointNet和卷积运算启发的方法。然而,与像PointNet那样处理单个点不同,我们利用了局部几何结构,构造了一个局部邻域图,并在连接相邻点对的边上应用类似卷积的操作,这是图神经网络的精神。我们在下面说明,这样的操作,称为边缘卷积(EdgeConv),具有介于平移不变性和非局域性之间的性质。 ...
本文是对经典的PointNet进行改进,主要目标是设计一个可以直接使用点云作为输入的CNN架构,可适用于分类、分割等任务。主要的创新点是提出了一个新的可微网络模块EdgeConv(边卷积操作)来提取局部邻域信息。 其整体的网络结构如下所示,值得注意的有: 整体的网络结构与PointNet的结构类似,最重要的区别就是使用EdgeConv代替MLP...
对于逐点MLP的方法来说的话,建议初学者小白先去看,因为PointNet是比较基础的网络框架,它的网络框架解决了点云无序性的问题,并且框架通俗易懂,建议刚开始接触点云分割的小伙伴去先看这个,但是它的缺点就是没有提取邻域的信息,简单说就是没有考虑到紧邻点的位置关系,之后可以看一下PointNet++,它在上面的基础上添加...
实验结果:采用PointNet、PointNet++、DGCNN、LDGCNN、GACNet和MP-DGCNN对宝光殿数据集进行点云语义分割实验。基于双重交叉验证,不同网络模型的分割准确率如表1所示。 表1 池化函数选择不同对分割的影响 虽然MP-DGCNN可以获得更好的性能,但仍然存在一些局限性,如图6所示。一些属于地面的点被错误地分类为基座。这些分类...
分割网络与分类网络基本类似,区别就是因为分割需要的是point-wise特征,因此分割网络在池化获得global feature之后需要repeat并与之前各个EdgeConv模块输出的point-wise feature相拼接,以此来获得全局特征和局部特征融合的point-wise feature(类似PointNet)。 EdgeConv 假设一个F维点云有n个点,定义为: X=x1,…,xn∈RFX ...
computer-visionpoint-cloudsaliency-map3d-visionpointnetpytorch-implementationdgcnn UpdatedNov 9, 2021 Python This repository contains the code to train a custom DGCNN segmentation model on 3D point cloud data and carry out post-processing to filter these point clouds from the k-regular graphs produced...
本⽂是对经典的PointNet进⾏改进，主要⽬标是设计⼀个可以直接使⽤点云作为输⼊的CNN架构，可适⽤于分类、分割等任务。主要的创新点是提出了⼀个新的可微⽹络模块EdgeConv（边卷积操作）来提取局部邻域信息。 其整体的⽹络结构如下所⽰，值得注意的有：整体的⽹络结构与PointNet的结构类似，最...