【论文阅读】DGCNN：Dynamic Graph CNN for Learning on Point Clouds
作者：互联网
毕设进了图网络的坑，感觉有点难，一点点慢慢学吧，本文方法是《Rethinking Table Recognition using Graph Neural Networks》中关系建模环节中的主要方法。
## 概述
本文是对经典的PointNet进行改进，主要目标是设计一个可以直接使用点云作为输入的CNN架构，可适用于分类、分割等任务。主要的创新点是提出了一个新的可微网络模块EdgeConv（边卷积操作）来提取局部邻域信息。
其整体的网络结构如下所示，值得注意的有：
- 整体的网络结构与PointNet的结构类似，最重要的区别就是使用EdgeConv代替MLP；
- 对于每个EdgeConv模块，我们即考虑全局特征，有考虑局部特征，
，聚合函数 
； - EdgeConv模块中KNN图的K值是一个超参，分类网络中K=20，而在分割网络中K=30；
- 在分割网络中，将global descripter和每层的local descripter进行连接后对每个点输出一个预测分数；
- 每层后的mlp都是为了计算边特征(edge features)，实现动态的图卷积。
## Edge Convolution
- 上图是 EdgeConv 的示意图。假设一个F维点云
，其中 F 表示每个点的维度，最简单的可能是 x, y, z 三维，另外还可能引入每个点颜色、法线等信息。 - 给定一个有向图
用来表示点云的局部结构，其中顶点为
，边为 
，边特征函数
，其中 h 是 
- 上图1就描述了一个点Xi和其邻近点Xj 的边特征eij求解过程，h使用全连接，用tf.layers.dense实现。(注：Dense and fully connected are two names for the same thing.)
- 特征聚合函数描述的是结点参数更新的过程，定义为□，其定义是：
标签：Clouds,模块,Point,特征,PointNet,网络,##,EdgeConv,Learning 来源： https://www.cnblogs.com/hithongming/p/11869428.html