开源 | DGCNN 可以表征拓扑结构的点云分割算法，效果SOTA

论文地址：https://arxiv.org/abs/1801.07829v1 代码：https://github.com/WangYueFt/dgcnn.git 来源：麻省理工学院 论文名称：Dynamic Graph CNN for Learning on Point Clouds 原文作者：Yue Wang

点云数据提供了一种灵活的几何表示，可以适用于计算机图形学中的很多应用。他们还包含了很多3D采集设备的原始输出数据。虽然人工设计的点云特征取得了不错的实验结果，但是当前CNN网络结构在图像领域取得的巨大成功，推测其在点云的处理领域也存在较大的应用价值。点云数据格式在设计之初天然的缺少拓扑信息，所以设计一个模型可以回复拓扑信息增加点云的表示能力，是一个重要的处理方案。为此本文设计了新的网络模型被称为EdgeConv，该模型适用于基于CNN的高级别的点云分割和点云聚类任务。EdgeConv的作用在于在每层中计算网络动态图。本结构是可微的并且能够直接插入到当前的网络结构中。在整体上和单个点上与当前已有的一些模型进行对比， EdgeConv 存在以下几个优点：1、整合了局部的领域信息；2、可以叠加使用来学习全局的形状特征；3、并且在多层的结构中，由于特征空间的亲和性，该结构可以捕获嵌入在点云中的原始隐藏特征。本文在ModelNet40, ShapeNetPart和S3DIS三种数据集中进行了测试。

下面是论文具体框架结构以及实验结果：

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。