论文阅读： Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology

题目： Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology. Arxiv 2020

特点： 别人的旋转不变只考虑了局部旋转不变特征，没有考虑全局旋转不变特征, 局部旋转特征有时候没办法分辨右图的点（相对距离、法向一样）

方法： 两个branch分别提取局部和全局特征，再attention fuse
1）局部不变特征：由query点法向、以及与邻域点连线来构建坐标系，把坐标轴的差值和角度来构建旋转不变特征：
一共7个角度：

分别由这7个向量对得到：

2）全局旋转不变特征： 先对原始点云下采样，再经过PCA转换后作为输入特征：

论文里证明这个转换后的坐标是旋转不变的，其实存在问题，这个转换后的坐标可能反向
因为对于同一个矩阵求特征向量的时候特征向量可能相反，而论文里当做是相同的了。

3）Attention fuse: $F_G$、$F_L$ 分别代表两个支路提取的全局和局部特征

网络结构：

数据集： ModelNet40, ScanObjectNN, ShapeNet
实验结果：
ModelNet40:
ScanObjectNN:
ShapeNet:

我自己尝试使用PCA转换后的坐标作为输入时结果收旋转影响很大，不过我是训练时候没有用旋转增广，在测试时候加的SO(3)增广，还有使用方式也不同可能有一定影响。

总结：他主要还是延续了RIConv提出的思路，融合了全局特征而不仅仅是局部特征，可以看到效果提升也确实很大。