PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks with Adaptive Sampling (CVPR 2020)
本文介紹一篇cvpr2020裏面關於點雲識別的文章。
論文
代碼
1. 問題
解決有噪聲情況下的點雲處理問題
剛開始看見這個問題覺得還蠻吸引人的。
2. 思想
提出兩個模塊來解決噪聲情況下的點雲處理問題，分別是adaptive sampling (AS) 和local nonlocal (L-NL) module。
其中基礎模塊local nonlocal (L-NL) 包含了Point Local (PL) cell 和Point NonLocal (PNL) cell。
3. 模塊
3.1 Adaptive Sampling (AS) Module
就是point attention， 這裏被他包裝成adaptive sampling。根本就沒有sampling的操作，這個模塊的輸入是FPS後的採樣結果。他將point attention理解成了一種修正和移位，使點雲變得更緊湊。
3.2 local nonlocal (L-NL) module
這個Point NonLocal (PNL) cell 和DPAM(ICCV2019)論文的思想比較像，遺憾的是DPAM到現在也沒有開源代碼，我自己復現這種操作達不到論文中的效果。細節上可能有差異，但是這種想法和思路不算獨創了。
最後呢，給出一種融合的機制
Local-NonLocal (L-NL) Fusion
4 實驗結果
分類精度還不錯，但是貫穿全文也沒有找到整個分類網絡的架構，不知道是否是故意爲之。
這裏還有個挺讓我詬病的實驗
爲了說明自己的架構更能抵抗位移噪聲，也算是對應題目吧。他選擇了PointNet，KCNet進行噪聲的測試，但是人家都是三年前的架構了，這麼對比合適嗎？而且看PointCov抗位移噪聲的性能還是不錯的，因此並不能有力的證明本文提出的兩個模塊可以很好的抵抗位移噪聲。我推測DGCNN的抵抗能力應該很強，所以這篇文章沒有和他進行對比。
總結
文章包裝的不錯，提出的兩個模塊能提點是毋庸置疑的，但是不能認定因爲這兩個模塊具有增強抵抗噪聲的能力。換個角度講，如果這篇論文沒有包裝在抵抗噪聲的問題下，不太可能被接受，因爲這兩個模塊的創新性不足。但是，他成功的將AS抽象成位移的修正，那麼就顯得比較新穎了，給人眼前一亮。
所以，論文的包裝和整體的邏輯架構很重要啊，向他學習。