【深度学习——点云】DGCNN(EdgeConv)

这篇文章提出一种边卷积（EdgeConv）操作，来完成点云中点与点之间关系的建模，使得网络能够更好地学习局部和全局特征。论文地址：Dynamic Graph CNN For Learning On Point Clouds

1. Motivation

PointNet网络对点特征的单独提取使得网络缺乏对局部特征的学习，PointNet++在PointNet基础上对点云进行区域采样使用PointNet作为区域特征提取器逐层提取并整合局部特征至全局特征，然而PointNet++中仍然用到了PointNet，意味着在采样的区域内，点的特征是单独提取的，对于局部特征的学习仍然不够充分。

2. Method

文章提出使用动态图卷积网络DGCNN来处理点云问题，之所以是动态的，是因为特征空间中的局部结构与输入空间的局部结构是不同的，因此在文章所使用的DGCNN中，每一层所处理的图结构是根据某种距离度量方式动态定义局部区域的。

2.1 Edge Convolution

传统图像卷积利用卷积核的尺寸来定义图像中的局部区域，对于图这种不规则结构，文章使用k近邻的方式定义离某点最近的k个点为该点的邻近区域，首先提取中心点与邻近点之间的边特征，再在边特征上进行卷积操作。文章中列举出四种卷积方式。

1.效仿图像卷积的方式，当前点的卷积操作为当前点多对应的局部区域中的邻近点的加权和，即边特征只由邻近点特征构成。

2.第二种方式， 如下图所示边特征由中心点与某一邻近点的输入做串联之后输入MLP计算得到，但是这种方式仅仅考虑了点的全局位置信息。