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。