论文阅读： Going Deeper with Point Networks

论文题目： Going Deeper with Point Networks. Arxiv 2019 【pytorch】

特点： 减小显存使用，使得网络可以更深，效果变好的同时计算量增加不大；pointnet整个网络只有到最后才集合了全局特征，因此他想要把不同尺度/分辨率间的信息交互

方法： 减小显存主要是通过删除了中间过程的k近邻的特征，只保留了输出特征，反向传播的时候再重新计算，速度的增加是通过反向传播时候的flatten；另外比较有意思的是用xLink在不同的resolution（下采样不同的点数）之间交互（通过MLP，连接不同分辨率的特征不是concat而是sum）；另外就是不同分辨率的操作了，先下采样再插值回来


用mRes搭建的网络（encoding部分从pointnet++上改，decoding同pointnet++）：下采样到不同的分辨率，再来集合其特征

数据集：ShapeNet-Part，ScanNet，PartNet
在PartNet上针对细粒度语义分割任务，使用的是part-iou，

实验结果：


网络变深以后显存消耗增加确实不大

借鉴： 在不同分辨率得到的特征之间做一个交互