- 论文概述
1. Kernel Point Convolution
左边为2D卷积示意图,在对图像的做卷积时,kernel可以理解成一些带权重的规则分布的2D位置(网格/窗口)。推广到点云,因为点云表示是不规则的,所以作者用了一个带权重的点集(kernel points)类比2D kernel,不同的地方是输入点云要和 kernel points 里面的每一个点的权重矩阵相乘然后通过一个相关系数(correlation coefficient) 加权求和。相关系数是通过输入点和kernel point的相对距离算出来的。同时定义了一个影响距离(influence distance),超过这个距离的点不会和kernel point相乘。实际上就是利用一个带有权重的Kernel Points点集类比2D卷积中的kernel,对点进行卷积操作。然后通过作用点,kernel points,neighbor points三者之间的距离关系进行二次加权。
2.1 Rigid or Deformable Kernel Points
2.1.1 Rigid Kernel Points
核点的位置对于卷积算子来说非常重要。由于KP-Con的优势之一是它的灵活性,我们需要为任一K值(核点数量的上限)寻找一个规则的(均匀的)处理。所有的kernel point都在半径限定的球体范围内。在这里,作者将Kernel Points位置如何确定的问题看作一个优化问题。首先每个Kernel Point之间存在着一个相互排斥力,而中心点又会对这些Kernel Points存在一个吸引力,让他们被束缚在球形领域内。所以,每个点的位置的确定方式大概如下:
(1)球心作为一个kernel point的位置;
(2)球心对其它点有一定的引力(attractive force)来吸引它们靠拢;
(3)其它的kernel points之间有一定的斥力(repulsive force)来使它们相互远离。
(4)这个由引力、斥力组成的系统稳定后,即可确定每个kernel point的位置。
它们之间的约束关系可以由以下公式体现:
吸引力:
排斥力:
综合:
2.1.2 Deformable Kernel Points
对于一次卷积操作中涉及到的每个操作点&#
KPConv: Flexible and Deformable Convolution for Point Clouds论文笔记
最新推荐文章于 2024-07-23 12:47:33 发布