【点云系列】SO-Net：Self-Organizing Network for Point Cloud Analysis

清理一下草稿箱，好早之前写的进入忘了发布；）

1. 概要

1.1 原文

题目：SO-Net：Self-Organizing Network for Point Cloud Analysis， CVPR2018
论文：https://link.zhihu.com/?target=https%3A//arxiv.org/abs/1803.04249
代码：https://github.com/lijx10/SO-Net
简介：主要采用了自组织神经网络（SOM)来获取具有代表性的点

1.2背景知识

自组织神经网络（SOM）
Kohonen提出的一种神经网络模型，可以对数据进行无监督学习聚类。
只包含：输入层+输出层（映射层），由于没有中间隐藏层，因而输出保持了原有拓扑结构。

SOM是一种无监督的聚类方法，模拟人脑中处于不同区域的神经细胞分工不同的特点，即不同区域具有不同的相应特征，且自动完成。对于未知聚类中心的判别问题可以用自组织映射来实现。

训练采用“竞争学习“的方式，每个输入样例在隐藏层中找到一个和它最匹配的节点，称为”winning neuron“。紧接着用随机梯度下降法更新激活节点参数。同时，和激活节点临近的点也根据它们距离激活节点的远近而适当地更新参数。

SOM主要分两步：

1. 选择激活节点；
2. 更新激活几点及临近节点权值；
   –>脑科学研究表明：相邻较近神经元之间可以互相激励，因而SOM操作也类似；
   –>确定邻域：设定一个半径，半径内点均为临近点，随着学习进行，使半径越来越小直到学习结束。

SOM作用：聚类 & 降维

2. 动机

与PointNet++及PointCNN整体思路类似，低层还是PointNet，即：先选择一些代表性的点，将点云分区，然后使用PointNet，通过Max-pooling每个区域得到一个特质向量作为节点特征，然后拼接所有的节点特征，接到FC层中分类。

不同之处：选择中心点是通过自组织结构映射SOM来进行的，且仅进行一次下采样操作。

3. 思想

• 构建自组织结构映射（SOM）来选择代表性的点，来建立点云的空间分布。
• 网络具有多层次结构
• 感受野可通过KNN来调整

4. 算法

自组织网络：一个点云中的N个点用M个SOM节点来表示。

4.1 SOM的置换不变性

该文章中SOM大小设置为$m\times m$大小，其中 m ∈ [ 5 , 11 ] m\in[5,11]