[论文阅读] 激光点云分割-RandLANet

RandLANet

paper 原论文的链接
code: 源代码链接

1. 主要思想

通过什么方式，解决了什么问题

主要工作是提出了使用简单快速的随机采样方法减少点云密度，然后应用设计的局部特征聚合(Local Feature Aggregation)模块来提取并保留点云的主要特征。

• 这个paper的主要思想是：减少采样的执行代价，通过利用随机采样的方式进行下采样；但是这种方式又会导致信息丢失，所以通过局部特征聚合的方式进行补偿这种丢失；

2. 具体方法

说明怎么解决的，具体设计是什么, 有什么启发性思考（作者的创新点）

2.1 局部特征聚合模块

包括三个模块**local spatial encoding（LocSE）**模块， Attentive Pooling模块和Dilated Residual Block模块

参考： https://www.sohu.com/a/398379788_715754

2.1.1 Local Spatial Encoding（LocSE

• 具体如网络结构图中所示； 将周围k个点编码并用MLP生成d长度特征，在于k个临近点的特征进行拼接；得到该模块的输出；然后再送到attentive pooling中去选择特征
• 这是对于一个点来说；其他点一样操作
• 也就是每次都把周围环境点的位置信息编码进特征中，与前面的特征进行融合

2.1.2 Attentive Pooling模块

• 所有特征共享一个MLP权重编码器，生成每个特征的系数
• 将这些系数作为权重，乘以特征并相加，如公式3所示
• 最后再用一个shared MLP进行编码
• 注$s_i$的特征shape是怎样的？ 应该是每个feature（长度为d）获取一个长度为d的归一化权重，代表该特征的不同位置的选取情况； 不是每个特征得到一个标量，表示该特征的程度；

2.1.3 Dilated Residual Block模块

作者借鉴了ResNet设计了扩展残差网络，其网络可见图2。在步骤1和2中，通过LocSE和Attention pooling（简写为LA）能够增加感受野，如图3所示。理论上来说，通过叠加LA网络结构，能够不断增加感受野，但会带来大量的计算。为了减小计算量，作者在RandLA-Net中只堆叠了两层，然后用一个残差连接来减小计算量，平衡效率与有效性之间的关系。

2.2 最后整体网络

3. 实验支撑

记录一些关键实验的结论分析，具有启发性的实验和结论

4. 总结启示

针对中心思想和实验结论的总结和扩展思考
扩展思考 : 也就是用自己已有的知识或者自己的“土话”，重新理解paper（费曼学习法的精髓-便于记忆和举一反三的应用）

• 注意力机制的使用很巧妙，而且很有启发性
• rand 采样的使用值得思考（也就是有些采样会导致性能下降，但是可以通过其他增强特征的方式补偿回来，从而带来既能速度提升，也能保证性能）

5. 相关文献

主要的比较贴近的文献,关键性文献