Yongcheng 리우, 2019 CVPR
1. 직관
저자는 학습 포인트 사이의 관계 (관계)의 모델을 설계 할 수 있도록 지점 사이의 관계 (기하학적 토폴로지), 3 차원 포인트 클라우드의 형태에 대한 정보를 포함 할 수 있습니다. 전반적으로, 이는 공 (볼 쿼리)를 사용하는 쿼리를 임의로 이웃 점의 고정 된 수의 샘플 이웃을 가져, 고전 부합 로컬 대 글로벌 구조를 만들고, 이것은 FPS (최장 포인트 샘플링)의 중심점에 의해 결정된다. 로 모델이 기초로, 이하와 같다 :
\ P_ = \ 시그마 여기서 하위 F_ {} {} (\ mathcal {A} (\ {\ mathcal {T} (x_j F_ {}) \ FORALL x_j \에서 \ mathcal { } N (x_i로부터) \})) D (x_i로부터, x_j) \ R & LT LT \} \] arrowvert \ x_j \ mathcal {N} (x_i로부터) = \ {
\ (\ mathcal {T} \) 단일의 변환 이러한 통상적 MLP 공유되는 공간 변환 매트릭스와 같은 포인트 기능; \는 (\ mathcal {A} \) (골재) 각 특징점 보통 최대, 평균, 합계 등의 합성] \ (\ 시그마 \) 인 활성화 기능. 기존의 2 차원 컨볼 루션 연산의 모델에도 적용됩니다.
기존의 컨볼 루션 연산 \ (\ mathcal {T} (x_j F_ {}) = w_j \ CDOT의 x_j F_ {} \) , 저자 판단 \ (w_j \) 만 \ (F_ {x_j} \) 관련을 배울 \ (x_j \) 와 \ (x_i로부터 \) 의 관계를,이 제안 \ (\ mathcal {T} ( F_ {x_j}) = W_ {IJ} \ cdot F_ {x_j} = \ mathcal {M} \ CDOT (H_ {}의 IJ)가 F_을 x_j {} \) . \ (H_ {IJ가} \) , 두 지점 사이의 관계의 저 차원 표현이다 \ (\ mathcal는 {M} \) 높은 차원의 포인트 사이의 관계를 나타내는 매핑한다. (PS :에 배울 수있는 사실 때문에 사실, 이전의 포인트 클라우드의 운영 점, 좌표계의 중심에있는 동네로 이동합니다 \ (x_i로부터 \) 와 \ (x_j \) 의 상대 위치 관계?)
2. 구현
FPS 중심점 샘플링 공 질의 근처에는, 샘플링 포인트의 고정 된 수를 결정한다. MSG는 전략을 채택하지만, 차이는 서로 다른 그룹에 사용 ++이 여기 pointnet입니다 (\ W) \ 에서 공유됩니다.
\ (H_ {의 IJ} = (ED (X_1, X_2) x_i로부터-x_j, x_i로부터, x_j) \) , \는 (\ mathcal {M}을 \) 공유된다 MLP, \는 (\ mathcal들은 {A}는 \) 최대이며 \ (\ 시그마 \) ReLU이다.
MLP 리프트 차원을 공유하고, 마지막으로 FC 분류를 통해 지역의 특징을 추출한 후. 네트워크의 분할에 대한 이전의 연구와 일관 스킵 연결의 수를 증가 할 것이다.
3. 실험
实验 : 분류 분할 정상 추정
기준 : pointnet, pointnet ++, PCNN, DGCCNN, ...