一.摘要
1.在稀疏的三维点云上直接利用经典的卷积核或参数共享机制是低效的，因为它们具有不规则性和无序性（卷积核对应着点云的无序性，参数共享对应着点云的混乱性–（稠密和稀疏））
2.由于相邻点的几何分布不受点序的影响，提出了一种基于多方向搜索的邻域点的局部注意边卷积算法
3.我们将注意系数分配到每条边，然后将点特征作为其相邻点的加权和进行聚合。然后将学习到的LAE-Conv层特征赋予点向空间注意模块，生成所有点之间的相互依赖矩阵，而不管这些点之间的距离如何，从而捕获远程空间上下文特征，从而提供更精确的语义信息
二.相关信息
1.球形方向探索：
与KNN和ball查询方法不同的是，本文提出了一种多向搜索策略，可以在一个球中系统地查找16个方向上的所有邻域点，从而使局部几何形状在空间上更具可泛化性
2.拉普拉斯图的缺点：
基于拉普拉斯图的方法存在诸多不足，包括拉普拉斯特征分解计算量大、卷积滤波器参数多、空间定位不足等
3.（Rgcnn: Regularized graph cnn for point cloud segmentation）将点云视为一个图，并在其上定义卷积运算。此外，在损失函数中使用了一个图形平滑先验来规范学习过程
4.（Local spectral graph convolution for point set feature learning）提出了一种局部谱图卷积，从一个点的邻域构造局部图，并使用节点的标准坐标聚合节点的信息
5.（Spectral networks and locally connected networks on graphs）提出了一种利用拉普拉斯算子对图进行卷积推广的方法。在这种方法中，谱网络可以学习具有大量参数的低维图的对流层
6.（Dynamic graph cnn for learning