KCNet是针对点云局部结构的改进方法，通过内核关联层利用局部几何，借助基于图形的池化层增强网络稳健性。论文中提出的内核关联借鉴了核相关技术，用于测量点集之间的相似性，而k个最近邻图（KNNG）用于构建局部连接性，类似于PointNet++的采样和分组策略。KCNet在不增加复杂性的情况下提升了点云语义学习的性能。
承接上文：论文阅读：KCNet：Mining Point Cloud Local Structures by Kernel Correlation and Graph Pooling（上）
简介中有一段话我觉得很重要：
“为了解决上述问题，PointNet ++ [31]建议将一个点集分割成更小的集群，通过一个小的PointNet发送每个集合，并对更高维的特征点集迭代地重复这样的过程，这导致复杂的体系结构减少速度。因此，我们尝试从不同的方向进行探索：是否有任何有效的可学习的本地操作和清晰的几何解释，以帮助直接增强和改进原始的PointNet，同时保持其简单的架构？为了解决这个问题，我们专注于使用两个新操作来改进PointNet，以利用局部几何和特征结构，如图2所示，关于3D点云上的两个经典监督表示学习任务。我们的贡献总结如下：
•我们提出了一个内核关联层来利用局部几何结构，具有清晰的几何解释（见图1和图3）。
•我们提出了一个基于图形的池化层，以利用本地特征结构来增强网络稳健性。
•我们的KCNet使用这两项新操作有效地改善了点云语义学习性能。”
对于KNNG，文中有这样一段话：
“为了进一步将PointNet扩展到本
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
