3D Shape Classification——Point-based Discrete Convolution Network

点云分类——离散卷积

Pointwise CNN

PointCNN

 

 

卷积核权重不是分配给点云，而是分配给网格，落在同一网格中的点获得相同的权重。

代表1： Pointwise CNN

卷积核在整个点云空间滑动，逐点进行卷积。对于落在同一格子的点，取他们的平均值与w相乘。关键在于如何分配w。

上图把中心点附近的区域分成栅格，每个栅格内的特征先取平均，然后再乘以栅格内的卷积权重，得到一个栅格的特征。多个栅格的特征相加得到新的特征。

 

 

代表2：PointCNN（山东大学）

突出点：用x-transform解决点云无序性。

   

若直接使用卷积，则f2与f3的计算结果是相等的，但是他们的空间位置明显不同。f3和f4是同一套点集，卷积结果理应相同，但是由于卷积时顺序不同而导致卷积结果不同。这说明卷积无法适应点集的N!种排列。

为了解决这个问题，PointCNN为k个采样点预测一个KxK大小的变换矩阵X（X-transformation），用X矩阵对拼接后的特征做变换，然后对变换后的特征用卷积，具体步骤如下：

其他的方法：InterPConv, RIConv, A-CNN,SFCNN等。