一种基于动态图卷积的点云学习网络——DGCNN

DGCNN是一种基于动态图卷积的点云学习网络，它可以提取点云的局部和全局特征，用于分类和分割等任务。DGCNN的核心模块是EdgeConv，它将点云看作是一个动态的图结构，每个点与其k近邻构成一个局部图，然后对每条边进行卷积操作，最后对每个点的边特征进行聚合。

DGCNN网络的参数量主要取决于EdgeConv的层数、卷积核的大小和通道数，以及后续的全连接层的维度。根据卷积层和全连接层的参数量计算公式，我们可以得到DGCNN网络的参数量如下：

假设输入点云的维度为$N \times D $，其中 $N$ 是点的数量，$D$是点的特征维度（例如坐标或颜色）。假设每层EdgeConv的卷积核的大小为$ 1 \times 1 $，输入通道数为$ C_i $，输出通道数为$ C_o $，是否使用偏置为$ b $，则每层EdgeConv的参数量为：

$$P_{EdgeConv}=k^2{C}_i{C}_o+b{C}_o$$

其中， k 是每个点的邻居数量， b = 1 表示使用偏置， b = 0 表示不使用偏置。如果使用批量归一化层，还需要加上两个可训练的参数 \alpha 和 \beta ，每个参数的数量为 C_o 。

假设DGCNN网络有 L 层EdgeConv，每层的输出通道数为 C_l ，则所有EdgeConv的参数量为：

P D G C N N = ∑ l = 1 L P E d g e