论文阅读 | Dilated Point Convolutions: On the Receptive Field Size of Point Convolutions on 3D Point ...

前言：点云领域里扩大感受野的方法DPC，发表在International Conference on Robotics and Automation (ICRA)2020
论文地址：【here】

Dilated Point Convolutions: On the Receptive Field Size of Point Convolutions on 3D Point Clouds

引言

在2D的CNN中，感受野指的是影响输出数据的输入数据区域大小。因此大的感受野能在一个大的上下文语义信息中进行推理。
2DCNN可以通过加深网络来增大感受野
2DCNN的感受野影响分析的文章比较少，3D的就更少了
其中3D点卷积的感受野分析少的原因是3D点分布并不是均匀的，很难算出理论的感受野大小

基于此，我们分析了方法中的感受野大小，并分析网络深度，卷积核的大小，并提出了膨胀卷积，并进行了可视化
因此，本文的贡献有：

• 评估了现有的和提出的方法的扩大感受野的效果
• 可视化了点卷积的感受野
• 我们提出膨胀点卷积DPC是一个比较好的扩大感受野的方法
• 用了DPC，我们的方法在语义分割semantic segmentation和形状分类shape classification任务上都取得了不错的效果

方法

一般点卷积的实现

其中f是特征函数，为每个点赋予特征向量
g是核函数，将相对位置映射给一个核的权重
N是一个局部邻域

增加感受野的方式
目前有增大网络深度（多叠加几层），扩大核的尺寸（搜索邻点数增加），膨胀点卷积
膨胀点卷积的实现（膨胀系数d=2）

即选出k*d个邻点，再从中每隔d个选出一个，即总共还是k个邻点
（类似与2D卷积的膨胀卷积，2D卷积的邻域在每行和每列都是隔一个取一个的（d =2时））

作者这里对比了不同的扩大感受野方式取得的效果
每行：扩大卷积核（增加邻点）
每列：增加网络层数

可见随着邻点的增加和网络层数的增加，感受野的确由在变大

每行：扩大膨胀系数
每列：增加网络层数

可见，加了膨胀卷积的确能更好的扩大感受野

作者对比了不同扩大感受野方式的开销
增加邻点数，参数量不变，运行时间变长，效果提升明显
增加网络深度，参数量变大，运行时间变长，效果提升明显

利用膨胀卷积，在膨胀系数=8时效果最好，并且增加的运行时间代价不高，参数量不变

可见，膨胀卷积可以作为一个比较好的方式来增加点网络的感受野

最后网络设计的架构如下

实验

语义分割的效果

物体分类的效果

可见，在这两个数据集上效果都达到了SOTA

结论

膨胀点卷积可以作为一种比较高效的扩大感受野的方式
同时它可以很好的 直接嵌入到现有的网络中(只要是用到了KNN搜索作为邻点的话)