自适应图卷积用于点云分析
论文地址: https://arxiv.org/pdf/2108.08035.
代码地址: https://github.com/hrzhou2/AdaptConv-master.
作者：Zhou Haoran
单位：南京航空航天大学
作为初入图卷积网络的小白，我就根据自己的理解来读这篇文章。
摘要：
问题：从二维网格域推广出来的三维点云的卷积已被广泛研究，但远非完美。标准卷积表征了三维点之间的特征对应难以区分，呈现了特征特征学习差的内在局限性。
贡献：
1、自适应图卷积 Adaptive Graph Convolution，它根据点的动态学习特征为点生成自适应kernel。
2、与使用固定/各向同性kernel相比，AGC 提高了点云卷积的灵活性，有效地、精确地捕获了来自不同语义部分的点之间的不同关系。
3、与流行的注意力机制不同，AGC是适应性卷积，而不是简单地给相邻点分配不同的权值。
4、广泛的定性和定量评估表明，本文的方法在几个benchmark数据集上优于最先进的点云分类和分割方法。
引言：
点云是个3D的数据，比如Li-DAR, RGB-D摄像机。对于3D目标而言，这是一种简化的方式。点云技术的应用也非常广泛。2D的图像就是普通的网格。
|