DGCNN (Dynamic Graph CNN for Learning on Point Clouds,动态图卷积网络)
1. 解决问题
1.置换(旋转)不变性、输入顺序不变性
2.平移不变性
3.尺度不变性 ？
4.
2. 关键思想
DGCNN 认为 pointnet++ 属于静态图卷积：
pointnet++ 根据点对的欧氏距离构建图，然后在每一层进行图粗化操作。使用最远点采样选取点作为下一层的输入。这样使得每一层的图不断减小，但是图的结构没有改变。
DGCNN 的动态图，是因为在特征空间取k近邻，每层计算的特征都不相同，因此相当于每一层的图都具有不同的顶点。
实验证明，特征空间中的距离可以更好的拉近相同语义点的距离。这样不仅学习到了点云的几何信息，而且学习如何对点云进行分组。
DGCNN 边卷积的核心分为边缘函数和特征聚合：
PointNet : 直接对单个点提取特征，然后使用max函数聚合特征。
MoNet : 使用高斯核(g)在局部坐标系中计算中心点的特征。并使用求和进行特征聚合。
由于pointNet没有考虑局部特征，而MoNet 失去了全局形状和结构表示。
DGCNN，使用点坐标和点的距离作为输入，同时捕获局部和全局信息，然后使用max pooling：
但是，这样只具有部分的平移不变性：
3.系统结构：