Deep Closest Point学习笔记（才开始接触点云）

1.Deep Closest Point的网络结构：

2.网络结构的理解：

    （1）DGCNN是基于PointNet的改进，PN提取点的特征的时候没有考虑邻域的点，但 DGCNN考虑了，文中的说明公式为：

     （2）DGCNN提取全局特征和局部特征后得到Fx、Fy，然后采用Attention机制（Transformer结构），综合考虑两个点云之间的关系，这里主要是引入目标点云（Y）去改进Fx，为了对称结构所以都采用了（文中是这样解释的）

     （3）经过注意机制后得到了Φ𝑥和Φ𝑦。深度学习的目的其实是找到输入点云X和目标点云Y之间的对应点关系，然后像ICP方法一样运用奇异值分解来求出刚性转换R和t。这里使用softmax建立了一种软对应关系m𝑥𝑖,y,具体的方法：

      （4）再乘Y生成对应点云Y'：

      （5）从而由X和Y'得到刚性转换R和t：

    另附Transformer网络结构图：

3.优点

    （1）不会像ICP那样因为点的对应关系建立不好而得到局部最小值

    （2）综合考虑了局部特征、全局特征以及输入点云和目标点云之间的关系

    （3）继承了ICP的优势，可以通过迭代不断精确结果

……

4.缺点

    （1）loss函数有待改进

    （2）训练点数有限

……

5.不太理解的地方

   （1）DGCNN为啥要分l层啊？（准备去看看DGCNN原文）

   （2）公式（9）的softmax具体怎么操作的？