摘要

DCG-Net (Dynamic Capsule Graph Network)用于点云任务的分类和分割。

基于卷积网络各层胶囊网络的动态路由机制来构建和更新图。

DGC-Net的第一层利用点云的几何属性通过邻域聚合构建图，而网络的深层则根据卷积的特征空间动态更新图。

介绍

范数以计算点之间的欧氏距离。每个点的相邻点的选择基于在点云的所有点之间执行动态路由机制。点的特征以胶囊表示。根据可以从胶囊之间的动态路由推断出的一致性来探索每个点的最相似点。胶囊之间动态路由的想法始于，但据我们所知，我们是第一个应用胶囊之间的动态路由，从原始点云数据中选择相邻点，以便通过邻域聚合构建图形。每个胶囊都是一组表示特定类型的实体（如对象或对象的一部分）的单元。此外，我们基于点云中点在欧几里得、特征值和几何空间的组合中的特征相似性，在网络的第一层构建胶囊。表征每个点的几何特征，即全方差、平面度、球形度、锐边等，是通过计算每个点的协方差矩阵的特征值来确定的，而该特征值又取决于选择在每个点的邻域中的点。与在欧几里得和特征值空间中将邻域定义为最近邻相反，我们另外考虑几何特征以确定点之间的相似性，并在每层定义一个胶囊图，以便解开点云的几何特征以构建邻域聚合图。我们还在网络的每一层动态更新图形。

在这项工作中，我们不根据范数选择邻居来计算点之间的欧几里得距离。每个点的相邻点的选择基于在点云的所有点之间执行动态路由机制。点的特征以胶囊表示。根据可以从胶囊之间的动态路由推断出的一致性来探索每个点的最相似点。胶囊之间动态路由的想法始于，但据我们所知，我们是第一个应用胶囊之间的动态路由，从原始点云数据中选择相邻点，以便通过邻域聚合构建图形。每个胶囊都是一组单元，表示特定类型的实体，例如对象或对象的一部分等。此外，我们基于点云中点在欧几里得、特征值和几何空间的组合中的特征相似性，在网络的第一层构建胶囊。表征每个点的几何特征，即全方差、平面度、球形度、锐边等，是通过计算每个点的协方差矩阵的特征值来确定的，而该特征值又取决于选择在每个点的邻域中的点。与在欧几里得和特征值空间中将邻域定义为最近邻相反，我们另外考虑几何特征以确定点之间的相似性，并在每层定义一个胶囊图，以便解开点云的几何特征以构建邻域聚合图。我们还在网络的每一层动态更新图形。

这项工作的鲁棒性源于动态胶囊图本身的本质。与CapsGNN [13]和GCAPS-CNN [14]方法不同，其中胶囊是固定的，我们提出的胶囊图在网络的每一层都是动态更新的。我们的胶囊图是由点的几何相似性和胶囊图的特征初始化的，这些特征从网络的层到另一层演变，并且由潜在胶囊之间的投票和协议序列产生。此外，[13]、[14] 中的网络输入基于图结构数据。然而，我们提出的网络的输入是原始的点云数据;我们使用了胶囊来解决从原始数据构建图的问题，而[13]，[14]应用胶囊来解决有关图分类和图嵌入的问题。在GCAPS-CNN [14]中，图的标量特征被扩展到没有任何路由机制的向量值胶囊。CapsGNN [13] 在网络层之间应用了路由机制，以维护图的多个信息属性以生成图嵌入。然而，这项工作的关键思想是应用路由机制来查找点云所有点之间的相似性，以便从原始数据通过邻域聚合构建图。我们在每一层应用路由机制，通过网络动态更新图。因此，与CapsGNN [13]相反，我们在网络的每一层定义了一个单独的路由机制模块，而在CapsGNN [13]中，路由机制应用于网络的各个层之间。

在本文中，我们讨论了DGCNN []和GS-Net 在以下方面的缺点：1）忽略了几何特征;2） 根据选择最近的邻居和GS-Net [8]在以下方面的缺点：1）忽略了几何特征;2） 根据 规范。

为了解决这些问题，我们将几何特征视为网络的输入之一，以便通过捕获局部和全球空间中的特征来改进我们提出的模型的训练过程。此外，我们应用动态路由机制，而不是 范数选择最近邻。为了解决这些问题，我们将几何特征视为网络的输入之一，以便通过捕获局部和全球空间中的特征来改进我们提出的模型的训练过程。此外，我们应用动态路由机制而不是 $L^{2}$ 规范，以便通过投票协议流程选择最近的邻居。此过程构建的邻域聚合图更准确，因为在胶囊之间的动态路由机制中，投票协议考虑了一定次数的迭代。此外，我们解决了Caps-GNN 规范，以便通过投票协议流程选择最近的邻居。此过程构建的邻域聚合图更准确，因为在胶囊之间的动态路由机制中，投票协议考虑了一定次数的迭代。此外，我们解决了Caps-GNN []，GCAPS-CNN []和GS-Net 的缺点，即忽略在网络的每一层更新图形。我们提出的模型通过网络根据特征空间动态更新图。它具有根据卷积特征空间中的相似性探索最近邻的优势。此外，与GS-Net 在网络的每一层馈送点云的下采样特征不同，我们在第一层之后的模型仅根据特征空间更新图形。因此，它在网络的每次前向传递时都会显著改善计算时间。]，GCAPS-CNN []和GS-Net 的缺点，即忽略在网络的每一层更新图形。我们提出的模型通过网络根据特征空间动态更新图。它具有根据卷积特征空间中的相似性探索最近邻的优势。此外，与GS-Net 在网络的每一层馈送点云的下采样特征不同，我们在第一层之后的模型仅根据特征空间更新图形。因此，它在网络的每次前向传递时都会显著改善计算时间。

我们提出的模型类似于其他图卷积模型[7]，[8]，[13]，[14]，旨在对邻居的顺序不变，因此它对点云的每个点的排列是不变的。 此外，DCG-Net是可微分的，可以插入到现有的架构中进行点云处理。简而言之，这项工作的新颖之处在于提供了一个动态胶囊图网络，该网络由几何特征初始化，并基于胶囊之间的动态路由构建邻域聚合图;它还通过网络动态更新胶囊图。本文的主要贡献可以总结如下：

• 我们提出了一种新颖的动态胶囊图网络作为DCG-Net，通过构建基于几何特征初始化的胶囊图并在网络的每一层动态更新胶囊图。

• 我们制定了一种新技术，通过基于特征相似性的胶囊之间的动态路由机制，通过邻域聚合构建图。

• 我们通过实验证明网络的能力，在主要公共数据集上实现最先进的分类和部分分割任务，证明了我们提出的DCG-Net的稳健性。