pointcnn pointweb pointconv randla 阅读(二)

pointweb

pointcnn pointweb pointconv randla 阅读(二)_第1张图片

不同于DGCNN,本文章考虑所有的局部邻域内的两点之间的关系

对于FPS采样和KNN得出的邻域内点集合F,其中的每个点都看作Fi

本身特征加邻域内的特征

 其中fimp是MLP得出得Fj对Fi的影响(Fj为邻域内所有点)

其中后面作者进行消融实验,发现fimp使用减法效果最好 g函数是减法效果最好

pointcnn pointweb pointconv randla 阅读(二)_第2张图片

用于计算Fj对Fi的影响量,而frel表示Fj与Fi的关系

 总式变为

pointcnn pointweb pointconv randla 阅读(二)_第3张图片

下面是使用AFA模块的网络结构图 

pointcnn pointweb pointconv randla 阅读(二)_第4张图片可以看到,在进行完每个AFA模块的特征转化之后,邻域内每个点都包含其局部特征,再经过了一个共享MLP网络,调整通道数,最后经过最大池化,将邻域内所有点特征聚合到一个点上,最后合并原来采样点的坐标,得到最后的特征输出。

对于g函数也就是权重的选取函数,作者进行了消融实验。

pointcnn pointweb pointconv randla 阅读(二)_第5张图片

对于选取两点之间的关系 

pointcnn pointweb pointconv randla 阅读(二)_第6张图片

S3DIS数据集上miou 66.73 

你可能感兴趣的:(算法,人工智能)