论文链接:http://arxiv.org/abs/1801.07829
疑问:Related work里的geometric deep learning??
spirit graph neural networks?
高斯核做提取函数,用加法做聚合函数,高斯核参数为均值和方差
引言:
这篇文章主要总结了前人关于voxel和Pointnet的理论,并且提出了一种有效提取几何结构的操作层方式(Edgeconv),并且在保留了排列不变性的基础上说明了动态更新图的机制可以进行分组,而且证明了这是一种容易实现可以嵌入已有结构的操作,提供了广泛的分析和测试来说明达到了当时的state-of-the-are表现。
这个图从左到右进行了可视化,通过颜色来表征红色点到其他点的距离,黄色表示在该层下特征距离近,蓝色表示远,最后将黄色的归为一类,如最右边所示。
方法以及problem statement:
建图方式同pointnet++分组层(如不清,看另一篇blog)一样,使用一个K近邻的子图利用类似卷积的操作来提取一个点的特征. 不同于graph cnns,重点在于图本身是不固定的,而且是在每一层之后动态更新,就是说一个点的K近邻点会根据层的处理而发生变化,并且是从嵌入的序列计算出来的,导致了非局部化的扩散 (这里我认为本质上是类似卷积感受野的扩大,并且是可能同一感受野不同点是计算出了一种 联系的)
Edgeconv的理论基础:对于点云,认为数据是F维的n个点构成的集合,假设有向图G=(V,E),对于点X,取K近邻点K个,分别从X进行无向边连线,定义Edge features为下面的式子
将两个F维的点笛卡尔积的维度映射到 R F ˊ {R^{\acute{F}} } R