SO-Net中分类器(classifier)的实现过程

一、数据准备

  该部分代码位于./data/modelnet_shrec_loader.py中。读取的数据为pc_np（点的坐标），surface_normal_np（法向量），som_node_np（som节点坐标）和class_id（类别）。然后对数据增强，包括旋转、微扰、尺度变换和位移。返回点的坐标、法向量、类别、som节点和每个som节点在som节点中的k个近邻点的索引。

二、模型

  该部分代码位于./models/classifier.py。主要包括两个部分：编码网络和分类网络。

2.1编码网络

  编码器如上图蓝色底色的部分所示。具体的定义在./models/networks.py中。在Encoder类的forward中可以看到，其输入为点的坐标、法向量、节点坐标和节点到节点的knn索引。

2.1.1 SOM层

  如上图所示，第一部分为SOM层。通过./util/som.py的BatchSOM类中的query_topk()函数实现映射，返回mask，mask_row_max和min_idx。
（1）mask：其大小为[B,kN,M]，第i个N*M行表示节点是否为N个点的第i近邻节点。

上图中红色的1表示第2个节点是第一个点的第一近邻点。蓝色的1表示第3个节点是第四个点的第一近邻点，而最下方的1表示第5个节点是第三个点的第二近邻点。
（2）mask_row_max：其大小为[B,M]，表示每个节点是否存在近邻的点

其中1表示第i个节点是某个点的近邻点。
（3）min_idx：其大小为[B,kN],第i个N*1行表示N个点的第i近邻节点的索引。

与mask对应，表示最近邻索引值。
  然后获取以每个节点为近邻的所有点的中心。

		self.mask, mask_row_max, min_idx = self.som_builder.query_topk(x.data, k=self.opt.k)  # BxkNxnode_num, Bxnode_num
        mask_row_sum = torch.sum(self.mask, dim=1)  # BxM
        mask = self.mask.unsqueeze(1)  # Bx1xkNxM

        #将x和sn堆叠
        x_list, sn_list = [], []
        for i in range(self.opt.k):
            x_list.append(x)
            sn_list.append(sn)
        x_stack = torch.cat(tuple(x_list), dim=2)  # B x C x kN
        sn_stack =