Machine learning 在某些节点特征子集上构建KNN图_Machine Learning_Deep Learning_Pytorch_Dgl

Machine learning 在某些节点特征子集上构建KNN图

machine-learning deep-learning pytorch

Machine learning 在某些节点特征子集上构建KNN图,machine-learning,deep-learning,pytorch,dgl,Machine Learning,Deep Learning,Pytorch,Dgl,我有一个点云，我想使用一个图形神经网络。点云中的每个点都以其位置坐标及其颜色为特征。因此单个节点是（X，Y，Z，C）现在我想在这上面应用一个边卷积（如上所述，要做到这一点，我应该在（X，Y，Z）（而不是在C）上构建一个最近邻图），然后使用所有4个属性作为我的神经网络的特征有什么干净有效的方法可以做到这一点？（我有很多数据，所以我想很好地进行批处理和整理）假设你有一个形状为（NUM_POINTS，4）的张量pc，其中每一行都是（X，Y，Z，C），那么你可以使用sklearn，如下所示：从sk

我有一个点云，我想使用一个图形神经网络。点云中的每个点都以其位置坐标及其颜色为特征。因此单个节点是

（X，Y，Z，C）

现在我想在这上面应用一个边卷积（如上所述，要做到这一点，我应该在

（X，Y，Z）

（而不是在C）上构建一个最近邻图），然后使用所有4个属性作为我的神经网络的特征

有什么干净有效的方法可以做到这一点？（我有很多数据，所以我想很好地进行批处理和整理）

假设你有一个形状为

（NUM_POINTS，4）

的张量

pc

，其中每一行都是

（X，Y，Z，C）

，那么你可以使用

sklearn

，如下所示：

从sklearn.neights导入近邻
导入dgl
k=3#你想要的邻居数量
neigh=最近的邻居（n_邻居=k）
neigh.fit（pc[：，：3].numpy（））#仅选择（X，Y，Z）
knn=neigh.kneighbors_图（）
曲线图=从_scipy开始的dgl（knn）
graph.nda['x']=pc

我建议将这些图形保存到磁盘，这样就不会在每次训练等时计算它们