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?