学习论文 KPConv: Flexible and Deformable Convolution for Point Clouds

论文链接arxiv
推荐 讲的很清楚的一篇Blog
本文是POINTNET作者的又一篇文章，KPCONV = Kernel Point Convolution
有两个特点，分别是Flexible和Deformable
对于输入点，将它们的特征分为$P$P和$F$F两个部分，对应坐标和其他特征
这篇文章将点云的工作分为了：

1. $Projection \ networks$Projection networks :投影到2D平面上（MTCNN)等
2. $Graph \ convolution \ networks$Graph convolution networks：DGCNN（edgeconv)等等
3. $Pointwise \ MLP \ networks$Pointwise MLP networks：pointnet pointnet2等等
4. $point\ convolution\ operator$point convolution operator：本文方法

key contribution:
空间可变形点卷积
Kernel point权重来自于距离的负相关函数
点的个数和位置灵活设置

这是文中的展示图
超参数有： Kernel的尺寸，Kernel Point的分布和权重值
Ball_query Radius半径，将多个点按照与所有Kernel Points做相关运算后相加

过程：先设计卷积核（选择K的个数以及位置以及半径 文中设置的半径是超参数$\delta$δ的1.5倍 保证有一定区域是相交的），然后再选择对所提取点的邻居半径$R$R的大小，选出这些点，分别按照公式对所有点与内核点权重相乘运算后求和得到g,分别乘上$f_i$fi​进行求和（先中心化满足平移不变性，再距离相乘），
相关运算的关系，下部分展示了效果过程。



上面是RIGID
下面是deformable