看了一遍Geometric Deep Learning 这篇综述。详细看了ChebNet 和Geodesic CNN的原文。
Spetral—fixed domain.
charting – multiple domains. 如果要做shape correspondence 的话GeodesicCNN ,AnisotropicCNN 和MoNet中MoNet效果最好。
讲manifolds的主要是在charting-based methods部分。
第一个问题:shift invariance. 非欧几何没有平移不变性,如图1所示。
图1 无平移不变性
解决方案:GeodesicCNN中利用polar coordinates 解决了这个问题,如图2所示。
图2. Geodesic CNN
第二个问题:由于将图或流形全局参数化(例如将所有顶点的特征降维到一个向量中)会导致空间信息全部丢失,我们不得不寻找一种表示局部patch的方式。
解决方案:寻找patch的过程就是建立点x的邻域点和x的映射关系,简单的看就是用一系列(J个)加权函数vj(x,x’)来做平均,公式39。这些加权函数可以是各式各样的,geodesic polar coordinates(固定核函数), anistropic heat kernel, gaussian kernel(高斯混合的协方差矩阵和均值向量都是通过学习得到的)。权重函数的选取可以参考spectrum-free methods 比如利用切比雪夫多项式,便于递归求解进行加速。
在卷积时也需要patch及参数。