Adaptive Hierarchical Down-Sampling for Point Cloud Classification
本文介紹一篇cvpr2020裏面關於點雲分類降採樣的文章。
論文
沒有開源代碼
1. 問題
FPS的時間複雜度太高，類似Samplenet 的方法會產生新的點，隨機採樣無法保證重要的點被保留下來。所以本文提出了一種不產生新的點的採樣方法。
2. 思想
整體思想非常簡單，借鑑pointnet中最後的maxpooling操作。將每個feature屬性最max的點視爲critical points，只保留這些點，從而完成sampling的操作，將其定義爲Critical Points Layer。但是我們都知道，在batch 操作中，點的數目必須相同，所以他必須將採樣之後點的數目固定，如果不夠就進行upsampling。進一步考慮，有的點可能在10個feature channel上都是argmax，如何進一步體現其importance就需要weight。所以作者又提出了加強版Weighted Critical Points Layer，一個point是幾個feature channel的argmax就將其重複幾次，從而增大在downsampling中被選中的概率。
3. 算法
4 實驗結果
從實驗結果上看比較一般，這裏也有多我疑惑的地方。首先，本文的關鍵貢獻點是CPL而不是CP-Net，那麼大部分的實驗應該是要展示CPL的優越性。但是全文中沒有對比過CPL和隨機採樣，以及FPS之間的效果、時間複雜度等等。其次，爲什麼DGCNN的實驗精度這麼低？
Table 2的實驗結果讓我覺得困惑，DGCNN加上一個kernel效果變差？看他的引用情況是和【30】對比的，但基本操作EdgeConv是【26】的，爲什麼不和【26】對比？
總結
文章的語言寫的很棒，讀起來很舒服。圖4做的也是十分漂亮，值得學習。