【2021】PnP-3D: A Plug-and-Play for 3D Point Clouds

1. 四个问题

1. 解决什么问题
   过去的点云网络提取的特征信息 未被完全利用，

2. 用什么方法解决
   提出一个即插即用模块，对每一层的特征再利用。具体来说包含Local Context Fusion和Global Bilinear Regularization

aiming to refine the fundamental point cloud feature representations by involving more local context and global bilinear response from explicit 3D space and implicit feature space

3. 效果如何
   实验：classification, semantic segmentation, and object detection，效果有提升

4. 还存在什么问题
   ？

2. 论文介绍

研究动机：

• 过去的点云网络提取的特征信息 未被完全利用，所以本文提出一个模块进一步 提取 点云特征，放在每一层提取特征层后 进一步 refine

• self-attention也可以 进一步提取特征啊，但是作者说我们的模块更轻量化，信息更多

Local Context Fusion： 输入变成 点 和 feature
Global Bilinear Regularization：通道变换？ 没看懂…

实验结果：



消融实验：




可视化：

3. 参考资料

【点云系列】PnP-3D: A Plug-and-Play for 3D Point Clouds – 有代码

4. 收获

传递的思想是：解耦。将feature-map解耦为通道和点间关系

本文提出一个模块，进一步提取特征。具体来说，分为Local Context Fusion 和 Global Bilinear Regularization。
Local Context Fusion：点和特征 一起输入concat融合（点带着特征输入效果更好，后面的工作有此倾向性）
Global Bilinear Regularization：通道变换？分为 global channel-wise and point-wise descriptors？比注意力机制来说更轻量