《A-CNN: Annularly Convolutional Neural Networks on Point Clouds》
| 研究問題 |
- 本文主要解決的是點雲的分類、部件分割和場景分割的問題
- 作者提出了一種新的方法對點雲的局部區域進行建模
|
| 創新點 |
- 文章將點雲的局部區域建模爲一個環形區域，並基於該環形區域提出了環形卷積。這樣做的目的，主要是爲了減少PointNet++中建模多尺度kNN時做造成的點的冗餘。值得注意的是，環形卷積中的卷積核大小是不受約束的，其可以是任意大小
- 提出了一種多尺度的空洞環形卷積，進一步增大了網絡各層的感受野
|
|
解決方案
|
環形卷積的關鍵步驟：
- Constraint-based kNN search
- Projection
- Ordering
- 選定一個起始點，計算環形區域內其他各點到中心點的方向向量v與起始點到中心點的方向向量t所成的夾角
- 按照逆時針方向對各點做一維卷積
|
| 啓發 |
冗餘點可能會影響點雲識別與分割的精度 |
《Mining point cloud local structures by kernel correlation and graph pooling》
| 研究問題 |
- 本文主要解決的是點雲的分類、部件分割和場景分割的問題
- 作者借鑑了傳統點雲註冊的思路，提出了一種新的方法來提取點雲的局部特徵
|
| 主要想法 |
- 作者通過一組可學習的kernel points來刻畫點雲的局部幾何結構，並通過kernel correlation來度量原始點雲的局部區域與kernel points所代表的局部區域之間的相近程度
- 提出了graph pooling的方式來得到中心點的特徵——該方法主要藉助k近鄰圖，將每個中心點周圍鄰居在各個通道上的最大響應值作爲該中心點的在相應通道上的響應值
|
| 啓發 |
- 平時讀論文的時候不要僅僅侷限於點雲識別和點雲分割的文章，還要多看看與點雲有關的其他方向的文章
- kernel points爲什麼有效？自己找到傳統方法對應的文章好好思考一下這個問題
|
《Attentional ShapeContextNet for Point Cloud Recognition》
| 研究問題 |
本文主要解決的是點雲的分類、部件分割和場景分割的問題
|
| 主要想法 |
- 作者借鑑了2D中圖像匹配的思路，提出了使用shape context描述子來描述點雲的局部特徵
- 作者進入了self-attention的機制，將網絡中的selection和aggregation操作合爲一體，提高了網絡的泛化能力
|
| 解決方案 |
|
