.png){kind=icon}
返回
GC-MLP: Graph Convolution MLP for Point Cloud Analysis
.png){kind=icon}
OA
AI
DOI：10.3390/s22239488.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为了解决标准卷积神经网络卷积核固定和特征各向同性导致三维点云数据在特征学习中效率低下的问题，提出了一种基于图卷积多层感知器的点云处理方法gc-mlp。与传统的局部聚合运算不同，该算法通过点的动态学习特征生成自适应核，使其能够动态适应对象的结构，即算法首先根据捕获的不同点之间的不同关系，自适应地为相邻点分配不同的权值。此外，然后通过权重共享多层感知器与卷积层执行局部信息交互。实验结果表明，在不同的任务基准数据集 (包括ModelNet40数据集，ShapeNet零件数据集，S3DIS数据集) 下，我们提出的算法实现了点云分类和分割任务的最新水平。
Keyword:
3D point cloud
neural network
shape analysis
local aggregation operation
graph convolution multilayer perceptron
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
.png){kind=icon}
分享收藏
Air Quality and Thermal Comfort in an Office with Underfloor, Mixing and Displacement Ventilation
PREAI
分享收藏
查看更多内容