【点云识别】Grid-GCN for Fast and Scalable Point Cloud Learning (CVPR 2020)

Grid-GCN for Fast and Scalable Point Cloud Learning

本文介绍一篇cvpr2020里面关于点云识别的文章。
论文
代码

1. 问题

自PointNet++ 和DGCNN问世以后，基本所有的点云处理模型都要使用采样或近邻查询。

• Sampling
• Neighbor points querying

但是，上述两种操作的时间复杂度太高，这篇文章就是解决这个问题。和RandLA-Net有异曲同工之妙。

2. 思想

提出了一种基于 Voxel 的快速采样方法，并依赖 Voxel 做近似而快速的 Points Querying

其中基础模块GridConv 包含了数据的构建Coverage-aware Grid Query(CAGQ)，以及图卷积Grid Context Aggregation(GCA)。

数据构建Coverage-aware Grid Query(CAGQ)

CAGQ由 Sampling和Neighbor points querying，都是十分费时的操作，如何快速的完成这两项操作也是本文的主要贡献点。

定义voxel 的大小 $(V_x,V_y,V_z)$，然后将所有点云 ( x , y ,