matlab交叉验证代码PyTorch DGCNN 关于 DGCNN（深图卷积神经网络）的PyTorch实现。 检查更多信息。 要求：python 2.7或python 3.6； 火炬> = 0.4.0 安装 此实现基于戴汉俊的structure2vec图后端。 在“ lib /”目录下，键入 make -j4 编译必要的c ++文件。 之后，在此存储库的根目录下，键入 ./run_DGCNN.sh 使用默认设置在数据集MUTAG上运行DGCNN。 或输入 ./run_DGCNN.sh DATANAME FOLD 在数据集= DATANAME上运行，使用倍数= FOLD（1-10，对应于在交叉验证实验中用作测试数据的倍数）。 如果将FOLD设置为0，例如键入“ ./run_DGCNN.sh DD 0”，则它将在DD上运行10倍交叉验证，并报告平均准确度。 或者，键入 ./run_DGCNN.sh DATANAME 1 200 将数据集中的最后200张图用作测试图。 折数1将被忽略。 检查“ run_DGCNN.sh”以获取更多选项。 数据集 默认图形数据集存储在“ data / DSN

Social-STGCNN：用于人类轨迹预测的社会时空图卷积神经网络 阿卜杜拉·穆罕默德·昆茜 Mohamed Elhoseiny **，Christian Claudel ** **平等建议 阅读全文，在 社会-STGCNN 我们提出了社会时空图卷积神经网络（Social-STGCNN），该模型将人类轨迹预测问题建模为时空图。 我们的结果表明，与先前报道的方法相比，最终位移误差（FDE）较现有技术提高了20％，平均位移误差（ADE）的改进比参数减少了8.5倍，推理速度提高了48倍。 此外，我们的模型具有较高的数据效率，仅使用20％的训练数据就超出了ADE指标上的现有技术水平。 我们提出了一个核函数，将行人之间的社交互动嵌入邻接矩阵中。 仅使用7.6K参数，我们的模型推断速度为0.002s /帧（500Hz）。 Citaion 您可以使用以下方法引用我们的论文： @inprocee

抓取检测数据集Cornell只给了pcd****.txt点云文件，而训练的话需要.tiff格式，本资源是利用GG-CNN神经网络处理生成的.tiff格式文件，可以直接用于训练。

在学习古月居课程《基于深度学习的机器人平面抓取》的过程中，针对GGCNN抓取网络，训练GGCNN需要两个文件：.mat格式的标签文件和.tiff格式的深度图，因为文件体积太大，我分成两个文件来发。 本资源是根据pcd****label.txt文件生成的pcd****grasp.mat文件

A powerful deep neural network toolbox for graph classification, named Deep-Graph-CNN (DGCNN). DGCNN features a propagation-based graph convolution layer to extract vertex features, as well as a novel SortPooling layer which sorts vertex representations instead of summing them up.

这是一个有关于基于深度学习的图相匹配，采用深度学习的训练进行图像匹配训练

DGCNN.pytorch 此仓库是用于点云学习的动态图CNN的PyTorch实现（DGCNN） （ ）。我们的代码框架是从借用的。 请注意，DGCNN论文中用于分类的网络结构（图3）与该论文第4.1节中的相应描述不一致。 DGCNN的作者采用第4.1节中的分类网络设置，而不是图3。我们使用PS修复了图3中的错误，并在下面给出了修改后的图。 提示：点云实验的结果通常比2D图像面临更大的随机性。我们建议您多次运行实验并选择最佳结果。 要求 Python 3.7 PyTorch 1.2 CUDA 10.0 包装：glob，h5py，sklearn 内容 点云分类 运行训练脚本： 1024点 python main_cls.py --exp_name=cls_1024 --num_points=1024 --k=20 2048点 python main_cls.py --exp_name

注意：这是用于以下RSS 2018论文的原始代码。 它处于非常糟糕的状态，不太可能维护，因此我建议您在master分支中使用更新的PyTorch，它对用户更加友好。 生成式抓取CNN（GG-CNN） GG-CNN是一个轻量级的，完全卷积的网络，可预测输入深度图像中每个像素处对偶抓取的质量和姿势。 GG-CNN的轻量级和单遍生成特性可实现快速执行和闭环控制，从而在抓取尝试期间移动对象的动态环境中实现准确抓取。 该存储库包含以下论文中的生成式把握卷积神经网络（GG-CNN）的实现： 闭合循环以进行机器人抓取：实时，生成的抓取综合方法 （ ，（ ，于 机器人技术：科学与系统（RSS）2018 | 如果您使用本作品，请引用： @article{morrison2018closing, title={Closing the Loop for Robotic Grasping: