DHGCN：用于自监督点云学习的动态跳数图卷积网络
计算机视觉与模式识别
2024-01-23 v2
摘要
最近的工作试图将图卷积网络（GCNs）扩展到点云以进行分类和分割任务。这些工作倾向于对点进行采样和分组以在局部创建较小的点集，并主要专注于通过 GCNs 提取局部特征，而忽略了点集之间的关系。在本文中，我们提出了动态跳数图卷积网络（DHGCN），用于显式学习体素化点部分之间的上下文关系，这些点部分被视为图节点。受点部分之间的上下文信息存在于成对相邻关系中（这可由图的跳数距离定量描述）这一直观认识的启发，我们设计了一种新颖的自监督部分级跳数距离重建任务，并相应地设计了一种新的损失函数以促进训练。此外，我们提出了跳数图注意力（HGA），它将学习到的跳数距离作为输入以生成注意力权重，从而使边特征在聚合中做出独特贡献。最终，所提出的 DHGCN 是一个即插即用模块，兼容基于点的骨干网络。在不同骨干网络和任务上的综合实验表明，我们的自监督方法实现了最先进的性能。我们的源代码可在以下网址获取：https://github.com/Jinec98/DHGCN。
引用
@article{arxiv.2401.02610,
title = {DHGCN: Dynamic Hop Graph Convolution Network for Self-Supervised Point Cloud Learning},
author = {Jincen Jiang and Lizhi Zhao and Xuequan Lu and Wei Hu and Imran Razzak and Meili Wang},
journal= {arXiv preprint arXiv:2401.02610},
year = {2024}
}
备注
Accepted to AAAI 2024