pointCNN 论文理解

1.解决问题

x-变换对不同的形状进行加权，对相同形状而不同时序的点云，学习他的一个排列转换矩阵，使得

作者指出，在实践中排列矩阵的学习，远远达不到理想的效果，但尽管如此，也能得到很好的结果。

2.关键思想

2.1 分层卷积

类似于cnn，将特征聚集到超点中，每个超点包含了更高维度的信息，作为对底层细节的抽象，这样可以适用于分类任务，而且可以减少训练参数，加快学习过程。

2.2 x-变换

1. 归一化到局部坐标系

为了让输出的特征不依赖于绝对坐标，将其归一化到局部坐标系，可以保证提取特征的旋转不变性。

2. 提取特征

将坐标扩展到和预处理特征F相同的维度（为了对特征进行拼接）

3. 特征拼接

4.x-变换

从邻域中学习x-变换，然后对拼接的特征进行加权和重排, x特征的结果时依赖于点的输入序列，这样使得x-变换可以根据点的不同输入顺序对特征进行重排。x-变换类似于pointnet的T-net，T-net 学习将特征变换到一个k*k的正交空间，以保证旋转不变性。而x-tranform 学习将不同的输输入重排到一个“相对标准的”中间排列，以保证对输入顺序的鲁棒性。

3.网络结构

 

1. 使用cnn膨胀卷积的思想，增加感受野（D，dilated膨胀率）。具体做法为增加领域范围K*D，然后在其中随机采样k个点

2. 分层卷积使得样本数量下降，这使得网络不能得到完全的训练（个人理解为：网络很难收敛），因此采用图b的密集pointCNN

每个都采用了上述膨胀卷积，从而保存了输入数据的不同。

3. 对于分割任务，采用图c所示的encoder-decoder网络，并参考u-net结构。

u-net结构可以在输出层中引入了底维特征，这些低层特征可以更好的描述局部特征，从而达到更好的分割效果。

4.缺陷

1. 文中 特征点的选取时基于随机下采样和最远点采样，得到点可能不是最具有代表性的点。因此可以考虑 使用特征提取算法进行优化，如：3Dshift等。