3D 点云识别: Geometric Feedback Network for Point Cloud Classification

Geometric Feedback Network for Point Cloud Classification

用于点云分类的几何特征反馈网络
2019/12/2 arXiv

摘要

As the basic task of point cloud learning, classification is fundamental but always challenging.	分类任务作为点云学习中的基础任务，是至关重要并且一直存在挑战性。
To address some unsolved problems of existing methods, we propose a network designed as a feedback mechanism, a procedure allowing the modification of the output via as a response to the output, to comprehensively capture the local features of 3D point clouds.	为了解决目前点云分类中存在的问题，本文提出了一种具有反馈机制的网络结构，通过输出的响应对输出进行修正，来获取3D点云的全面局部特征。
Besides, we also enrich the explicit and implicit geometric information of point clouds in low-level 3D space and high-level feature space, respectively.	除此之外，我们还相应的提取了3D空间低层次直接特征和高层次的间接特征。
By applying an attention module based on channel affinity, that focuses on distinct channels, the learned feature map of our network can effectively avoid redundancy.	通过注意力机制关注通道之间的差异性，保证学习到的特征图避免冗余信息。
The performances on synthetic and real-world datasets demonstrate the superiority and applicability of our network.	我们在生成数据和正式数据上证明了本文提出方法的优越性和普适性。

主要创新点

1. 提出了特征的反馈机制，来学习主要(直接)特征。
2. 引入注意力机制，refine high-level 特征，去除冗余特征。
3. 用mesh特征(14维)代替点云xyz特征。

Attention Feedback Module for EdgeConv

反馈机制是基于DGCNN的edgeconv特征进行的。有点像encoder-decoder结构，加上了经典控制里的反馈思想，将输入和误差输入到相同结构的两个网络，然后输入进行maxpool。

Channelwise Affinity Attention Module

关于注意力机制这个不是很熟，需要补一下attention方面的知识。

Geometric Features

几何特征这块，分为直接特征Explicit geometric features和间接特征Implicit geometric features。
直接特征的话，不仅用点云的xyz，还加上了mesh里的三角关系和法向量等，从3维输入到14维输入，这个和RS-CNN很像，就是想办法提取一些几何上的特征作为输入，效果很明显。
间接特征就是用之前提出的模块，在直接特征的基础上提取高层特征。

实验

作者在ModelNet40和ScanObjectNN上做了实验，达到了SOTA效果。

粗看一遍，创新点还是可以的，尤其是注意力机制这块，但是没有找到开源代码，先记录一下，日后再回看。