EdgeConv--用于学习点云的动态图CNN

正文

1.INTRODUCTION

开篇就diss了PointNet提出后，很多大牛都提出了一些在局部区域上的修改，但是仍然没有提取到点与点之间的信息。

另一类方法，则是可以直接将不规则的点云作为输入的深度网络，即PointNet系的网络。
PointNet，通过独立地处理每个点，能实现置换不变性（permutation invariance）。随后使用一个对称函数（symmetric function）来聚合特征。
之后，一些基于PointNet的改进网络会考虑点的局部特征，而不是分开处理。这样可以让网络提取到局部特征，提高模型的性能。
然而这类算法，在处理局部区域的点的时候为了保证置换不变性，而导致过于独立。这样会忽视点之间的几何相关信息，导致丢失一部分局部特征信息。
————————————————
原文链接：https://blog.csdn.net/hongbin_xu/article/details/85258278

2.EdgeConv

提出了EdgeConv来解决这个问题
这个东西是个什么玩意呢。
这得先大致明白GNN的原理，通过邻居和自我更新自己的特征信息。

针对PointNet中缺少局部信息的缺点，不仅考虑这个点当前的feature，还考虑了在当前的feature空间内，与当前点距离最近的K个点的feature。

3.多个EdgeConv叠加的原理

通过GNN的原理，通过第一层可以学习到附近邻居信息，第二层可以学习到附近的附近，多层可以覆盖更远的语义信息。

4.Dynamic Graph Update

每次都要选特征空间中最近的K个点，能够更好的让信息在相似的结构之间传播。

问题：每次更新如何使得相似的点在一起学习了呢？

参考文献