[人工智能]点云特征学习（三）--DGCNN论文阅读笔记

点云特征学习（三）–DGCNN论文阅读笔记

一，挑战

在DGCNN算法之前，基于深度学习的点云特征学习算法有：PointNet,PointNet++,PointCNN等。这些算法都能够较好地处理点云数据。但是，这些特征学习方法只是从离散点云的角度的特征出发，没有考虑物体的拓扑结构。点云这种数据结构是离散的，缺乏拓扑信息（也就是单个点与点之间的关联并没有显式建立，但是他们之间应该是有实际意义的）。自然而然地，如果能够通过某种方式建立点与点之间的拓扑关系，应该可以增强表征的能力。这里，存在的一个挑战就是如何表现点云中的拓扑结构，并加以利用。

二，方法

论文中给出了整个DGCNN的网络图，根据分割以及分类任务，分成了两个pipeline。从网络图中可以看出来，整篇文章的创新点主要在于Edge Conv。

2.1 Edge Conv

EdgeConv在网络的每一层上动态构建图结构，将每一点作为中心点来表征其与各个邻点的edge feature，再将这些特征聚合从而获得该点的新表征。

EdgeConv实现的实际就是通过构建局部邻域（这种局部邻域既可以建立在坐标空间，也可以建立在特征空间），对每个点表征。

将多个EdgeConv模块首尾相接不断堆叠也就是为了获得多层次、具有更加丰富语义的表征。

Edge Conv的输入为 $N?F$, 输出为$N?F’$。

具体而言，构建图结构，顶点就是点云各个点，通过对每个点KNN，连接其K近邻，构建边的关系。

顶点集合：

其中初始状态 F 表示点的三维坐标信息。当然更一般的情况， F 表示神经网络某一层输出的点的特征空间维度信息。

如上图所示，表征分为2步：

1，根据图结构计算edge feature。
2，聚合edge feature，对其对应的中心点表征新的特征。

展开来说：

1，如何计算edge feature?

对于函数$h$的选择，论文中给出了五种情况：
待续。。
情况一：

参考博客：https://zhuanlan.zhihu.com/p/267895014?utm_source=qq