论文阅读：Relation-Shape Convolutional Neural Network for Point Cloud Analysis

Relation-Shape Convolutional Neural Network for Point Cloud Analysis【视频/论文/代码】
自动化所刘永成的论文，效果还挺好的，思路和PointConv类似，用MLP学权值

论文里把点x和邻域点N(x)的关系叫做relation，进而提出了Relation-Shape Convolutional Neural Network（RSCNN）
这是一般卷积：

其中$\sigma$是激活函数，A和T一起可以看成卷积了，T是对特征变换再通过一个对称函数A（卷积里是$\Sigma$）

在二维里T就是线性变换了，$T(f_{x_j})=w_j{f}_j$了，和中心点无关，每个邻域位置给一个权值，在三维里就不行了，因为邻域位置可以是任意的，因此就用MLP来学习，输入是邻域点和中心点的关系：$h_{ij}$

$h_{ij}$可以是好几种：

总的公式：

RSCNN的结构如下：以$h_{ij}$为输入通过MLP学得权重再和特征相乘，接着通过单层MLP升维

效果还挺好的，分类准确率能有93.6%

但是有两个问题：
1、论文里说当h选的好的时候学权重的MLP的映射是旋转不变的，但是h旋转之后会变啊，学得的权重应该也会变，不晓得怎么抗旋转
原文：Robustness to rigid transformation. This property is well held in the high-level relation encoding M(h). It can be robust to rigid transformation, e.g., translation and rotation, when a suitable h (e.g., 3D Euclidean distance) is defined.

2、论文里提到了采用类似MSG的多尺度策略，只是权值是共享的，具体也没细说，但是说
We speculate that RS-CNN with geometric relation reasoning can acquire more discriminative shape awareness, and this awareness can be greatly enhanced by multi-scale relation learning.
感觉还挺重要的，后续还是得看看代码