论文阅读之《GAPNet: Graph Attention-based Point Neural Network for Exploiting Local Feature of Point Cloud

《GAPNet: Graph Attention-based Point Neural Network for Exploiting Local Feature of Point Cloud》

研究问题	如何更好地提取点云的局部特征
主要想法	采用self-attention和neighboring attention的机制，一方面通过self-attetion来提取输入点自身的几何特征，另一方面则通过neighboring atteion来提取输入点与周围邻居之间的关系 采用multi-head的方式来获取原始点云中更为丰富的语义特征
解决方案	self_attetion的实现: 先通过MLP将每个点的特征映射到更高维的空间，然后再对点的特征通道进行加权求和，进而得到每个点的global feature neighboring atteion的实现： 采用类似DGCNN的方式，我们先以原始点云中的每个点作为中心点构建相应的kNN graph，然后再基于kNN graph进行进一步的特征提取，从而得到每个点的local feature和local weights graph attention： 通过self-attetion我们可以得到每个中心点的权重，通过neighboring attention我们可以得到中心点周围每个edge feature的权重,最后我们要做的就是基于attetion weights对边的信息和点的信息进行整合，进而得到最后的总的特征 Multi-head attention: 并行重复上述graph attention的过程，以获取更加丰富的几何信息。