本文主要是介绍论文阅读:Adaptive Graph Convolution for Point Cloud analysis，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
自适应图卷积用于点云分析
论文地址: https://arxiv.org/pdf/2108.08035.
代码地址: https://github.com/hrzhou2/AdaptConv-master.
作者：Zhou Haoran
单位：南京航空航天大学
作为初入图卷积网络的小白，我就根据自己的理解来读这篇文章。
摘要：
问题：从二维网格域推广出来的三维点云的卷积已被广泛研究，但远非完美。标准卷积表征了三维点之间的特征对应难以区分，呈现了特征特征学习差的内在局限性。
贡献：
1、自适应图卷积 Adaptive Graph Convolution，它根据点的动态学习特征为点生成自适应kernel。
2、与使用固定/各向同性kernel相比，AGC 提高了点云卷积的灵活性，有效地、精确地捕获了来自不同语义部分的点之间的不同关系。
3、与流行的注意力机制不同，AGC是适应性卷积，而不是简单地给相邻点分配不同的权值。
4、广泛的定性和定量评估表明，本文的方法在几个benchmark数据集上优于最先进的点云分类和分割方法。
引言：
点云是个3D的数据，比如Li-DAR, RGB-D摄像机。对于3D目标而言，这是一种简化的方式。点云技术的应用也非常广泛。2D的图像就是普通的网格，并且是结构化的数据，而点云是随机离散点。
如果将体素引进来解决点云问题，计算量往往很大，所以3D卷积网络的层数往往不是很深。
而PointNet的提出，使用多层感知机来处理点云问题，是一个开创性的工作。
本文的创新点：
自适应图卷积，将图卷积过程中的权重分配操作交由变量，让模型自己学习一个点相邻关系的权重。
网络实现：
在实验中，自适应卷积是用两层感知机和残差连接实现的，这样可以学习到重要的几何信息。标准的图卷积层使用的是同输入的f大小的图结构作为自适应卷积核。
图池化：
如何逐步减少不重要的点，来构建层次结构中的网络呢，利用最远点采样算法对点云进行次采样，并且设置采样率为4，即四选一。对每个特征图，都进行采样，以简化计算。而在恢复原图的过程中，我们使用插入的方式，将图节点插入到对应原始节点中，然后使用最近邻取值方法逐步恢复图像的节点，从而恢复原图并得到点云的分割结果。
且看 下图：
这篇文章所解决的问题就是权重自适应，而不是简单的通过注意力进行分配，这种分配的缺陷是，所有的权重相加是一个固定的数。
在网络架构呈现在我们眼中时，这个网络层数是相当少的。所以参数量也不大。在后面的结果展示了模型的参数。
实现的过程同传统的注意力差别并不是太大，但在图卷积上实现这种权重分配也确实是一个大的创新点。
而图卷积的池化操作也是本文的一个亮点，毕竟这种采样之前是没有人尝试过的。
数据集：ShapeNetPart
由16881个样例，16种。其中14006个作为训练集，剩下2874个样本作为测试集。
每一个点云包含2-6个部位，而每个部位的点由50种标签组成。实验过程中，抽取2048个点，点的属性包括三维坐标的点法线。
ModelNet40: 12311张CAD models， 9843张训练， 2468张测试。
S3DIS: 3D-RGB, 13种，3栋楼 共计271个房间。
实验结果，看看，然后仔细分析论文中的写作手法：
从效率和对比结果进行有效性的阐述！！
感谢阅读！
点亮金手指，精彩继续！！！！
这篇关于论文阅读:Adaptive Graph Convolution for Point Cloud analysis的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
