点云语义分割：论文阅读简记 -Spatial Transformer Point Convolution

[1] Spatial Transformer Point Convolution

为了满足点云置换不变性问题，以往的方法通过max或者sum来进行特征聚合，但是这种操作是各向同的，不能更好的建模局部几何结构。本文提出spatial transformer point convolution试图实现各相异性的滤波器。引入空间方向字典来捕获点云的几何结构。利用方向字典学习将无序的邻居转换成规范有序的字典空间中。转化为有序的结构后就利用标准的图像类似的卷积。

Direction Dictionary Learning

动机：用一个可学的字典来表示局部邻域结构。
做法：逐层更新字典通过一个MLP，最小化余弦相似性来约束字典方向最大化；公式化为：

Spatial Direction Encoding

字典学习到特征表示和坐标编码的特征进行余弦相似度度量，度量矩阵表示每个点的特征在M个方向上的重要性分数。

Spatial Anisotropic Filtering

首先将编码的特征根据上面学习到的分数投影到多方向的特征空间中，经过一个卷积层后聚合特征信息。

这篇论文idea并不惊喜，实验效果也一般化，投顶会感觉有点过时，放在18年应该可以。方法比较简单，写作和表达十分清晰准确。题目吸引看的这篇文章，粗读了一遍尽可能用一句话来概括每个点。