pointcloud graph

Point Cloud Graph Methods

name
EdgeConv	特征空间中的KNN	通过特征来找knn，然后特征空间中构建graph，多层edgeconv之后，节点的个数不会减少
Local spectral graph convolution for point set feature learning	三维空间中的KNN	基于pointnet。可与pointnet++类比。通过FPS采样找一些centroid。对于每个centroid，找centroid周边的k个点。K个点构建graph，vertice的数量是k，edge的数量是k*k，用gcn对每个vertice提取特征。用clustering+pooling将特征整合到一个centroid上。重复采样，提取特征的步骤。通过下采样，centroid个数不断减少，receptive field不断增加，与pointnet++类似。(spectral?)
ECC	KNN, radius 在三维空间中构建graph	点云中 X(i)为vertice特征，L(j,i)为edge特征（通过cartesian和球星坐标得到）。在图结构不改变的时候，L(j,i)不会改变。X(i)是通过前一层中i相邻点(j)的特征加权(θ)求和得到的。网络F(L(j,i);w)用来学习加权值。训练过程中学习w，预测过程中这个加权值(θ)由L(j,i)决定。点云通过下采样来改变图的结构。节点的个数不断减少。(non-spectral?)

ECC：Dynamic Edge-Conditioned Filters in Convolutional Neural Networks on Graphs

个人理解，可能有偏差。