【点云分割】简述对DMSF(多尺度融合的扩张邻域搜索)的理解

对于点云分割来说，对于特征提取这部分环节非常重要，很多网络都是学习邻域点的相对位置关系，这样可以将点云的空间结构加入网络中。然后大部分网络会利用特征之间的关系进行一个权重的学习，作用是为了更好的学习特征，也可以理解为更好的学习邻域的一种特征关系。感受野在学习点云局部特征中非常重要，尤其是在特征学习前，如果对点云的感受野进行扩大，会保留点云原有的特征，对分割效果应该会更好。DMSF这篇文章的创新点我认为有两个，一个是比较新颖的扩张KNN，另一点是对邻域搜索的特征进行了增强学习，并且进行了多尺度的融合(邻域搜索后的多尺度融合)。

上图分别是图像扩展卷积和点云中的扩张卷积，DMSF这篇文章中的扩张卷积不是简单的搜索2K个点，它是有两个参数，一个是搜索的邻域点，一个是一个是扩展率，举个例子就是如果一共搜索10个点，步长为2，那就是选择的1，3，5，7，9这5个点。

扩张搜索完邻域点之后，作者对搜寻的邻域点和原始点云进行了一个拼接，这样更好的结合上下文信息，拼接完之后，它利用类似的一个自注意权重，把自己拼接的特征进行一个自注意力的权重加权学习，得到一个全新的拼接邻域的点云特征，如下公式对应上图。


它的最后一部分是将不同尺度的点云信息进行融合，如下图所示中，它的MSAM模块是进行不同程度的扩张搜索，然后搜索到不同尺度的点云特征，融合完这些特征之后，对于这不同尺度的点云特征，进行MLP自学习一个权重，然后降维到一个相同的尺度上，然后进行拼接，我认为这一步完成了对点云的下采样过程。


如下公式，是它融合不同尺度点云特征时进行的权重学习，权重的计算方法还是像之前算法那样常规。


对于不同尺度融合和邻域点搜索的点数这连个参数，理论上搜素邻域点越多，感受野越大，融合的特征越多越好，但是也不是一味的高，作者针对这两个参数做了大量实验，证明了参数的具体选择数值，而且该方法在很多先进数据集上达到了应有的效果，这也说明扩张邻域搜索和点云特征融合在点云分割上是有很大效果的。