课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （下）

课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （下）

本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记 课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！

本文主要为课程第五章的笔记！ 由于第五章开始进行深度学习领域知识讲解，因此不仅知识量陡增，课程量也加大，因此本章将分为上下两篇笔记进行记录。

课程链接：

三维点云处理——深蓝学院 正式内容: ####################################################
————————————————

GCN

本节课大纲：
主要讲图卷积神经网络 介绍其在点云上的应用 以及重点讲一篇文章：DGCNN
再由DGCNN 引申到能够用图表示的数据

DGCNN

可以表达成图的数据： 社交网络、引用网络、分子式、点云、 三维面片等

事实上，所有用图表达的都可以用线连接，以此来表示节点关系
点云虽然没有直接用线连接，但是可以表示成这种关系

图像是有序排列的，而图是不规则的 ，因此也不能随意的进行卷积，非常复杂与麻烦

所以对于图神经网络的卷积，索引是按照相邻的元素去进行

相当于是利用点云点之间的连接关系进行索引

其实跟pointnet++有相似之处，pointnet++做特征提取的时候是基于欧式距离，而GCN是基于特征图进行的卷积与
池化操作

具体实现方法如下：

注意，这个图跟距离是没有关系的 距离只是帮助构建图，但是因为是根据图关系进行索引的，所以根本不会用到位置信息

DGCNN 具体的网络结构

跟pointnet相比， 对于坐标的信息更改为了对于关系的信息 关注

提出了动态图处理，可以在每一层基于特征空间进行KNN
和静态相比，能够每层调整，更加具有活性

提升还是 比较明显的

GCN ：graph 卷积神经网络

连接根据相似矩阵进行表示


DGCNN和 GCN作对比：

Supplementary

本节将一些其他的深度学习领域的想法

1. 分类和分割问题
   
   分类是对一个场景做一个分类 分割可以理解成每一个元素的分类

2. 实际应用 方法和技巧太多太复杂，应该结合具体问题具体分析