《A-CNN: Annularly Convolutional Neural Networks on Point Clouds》
研究问题 |
- 本文主要解决的是点云的分类、部件分割和场景分割的问题
- 作者提出了一种新的方法对点云的局部区域进行建模
|
创新点 |
- 文章将点云的局部区域建模为一个环形区域,并基于该环形区域提出了环形卷积。这样做的目的,主要是为了减少PointNet++中建模多尺度kNN时做造成的点的冗余。值得注意的是,环形卷积中的卷积核大小是不受约束的,其可以是任意大小
- 提出了一种多尺度的空洞环形卷积,进一步增大了网络各层的感受野
|
解决方案
|
环形卷积的关键步骤:
- Constraint-based kNN search
- Projection
- Ordering
- 选定一个起始点,计算环形区域内其他各点到中心点的方向向量v与起始点到中心点的方向向量t所成的夹角
- 按照逆时针方向对各点做一维卷积
|
启发 |
冗余点可能会影响点云识别与分割的精度 |
《Mining point cloud local structures by kernel correlation and graph pooling》
研究问题 |
- 本文主要解决的是点云的分类、部件分割和场景分割的问题
- 作者借鉴了传统点云注册的思路,提出了一种新的方法来提取点云的局部特征
|
主要想法 |
- 作者通过一组可学习的kernel points来刻画点云的局部几何结构,并通过kernel correlation来度量原始点云的局部区域与kernel points所代表的局部区域之间的相近程度
- 提出了graph pooling的方式来得到中心点的特征——该方法主要借助k近邻图,将每个中心点周围邻居在各个通道上的最大响应值作为该中心点的在相应通道上的响应值
|
启发 |
- 平时读论文的时候不要仅仅局限于点云识别和点云分割的文章,还要多看看与点云有关的其他方向的文章
- kernel points为什么有效?自己找到传统方法对应的文章好好思考一下这个问题
|
《Attentional ShapeContextNet for Point Cloud Recognition》
研究问题 |
本文主要解决的是点云的分类、部件分割和场景分割的问题 |
主要想法 |
- 作者借鉴了2D中图像匹配的思路,提出了使用shape context描述子来描述点云的局部特征
- 作者进入了self-attention的机制,将网络中的selection和aggregation操作合为一体,提高了网络的泛化能力
|
解决方案 |
|