Yongchengの劉、2019 CVPR
1.直観
著者が学習ポイントとの間の関係（関係）のモデルを設計できるようにポイントとの間の関係（幾何学的トポロジー）は、3次元点群の形状に関する情報を含んでいてもよいです。全体として、これは、ボール（ボールクエリ）を使用してクエリがランダム近傍のポイントの固定数をサンプリングし、近隣を取得し、古典に沿ってローカルからグローバルな構造を作り、それがFPS（最遠点サンプリング）の中心点によって決定されます。次のようにモデル化され、これに基づいて：
P_ = \シグマ（\ mathcal {A}（\ {\ mathcal {T}（X - jがF_ {}）、\ FORALL X - jが\で\ mathcal {の[サブF_ {}を{} \ } N（X_I）\}））、\ mathcal {N}（X_I）= \ {X - jが\ D arrowvert（X_I、X - jが）\ R＆LT LT \} \]
\（\ mathcal {T} \）単一の変換のためそのような典型的MLP共有される空間変換マトリクスとして点特徴、; \（\ mathcal {A} \）は通常、最大、平均値、合計値など、各特徴点（骨材）を合成するため、\（\シグマ\）があります活性化関数。従来の2D畳み込み演算でモデルにも適用されます。
畳み込み演算、従来の\（\ mathcal {T}（X - jがF_ {}）= w_j \ CDOT X - jがF_ {} \） 、著者らは信じている（\ w_j）\のみを有する（F_ {X - jが} \）\、関連学習しない\（X - jが\）と\（X_I \）の関係、それが提案されている\（\ mathcal {T}（ F_ {X - jが}）= W_ {IJ} \ CDOT F_ {X - jが} = \ mathcal {M} \ CDOTのX - jがF_ {} \（H_ {}のIJ）） 。\（H_ {ijは} \）の二点間の関係の低次元の表現である。\（\ mathcal {M} \）高次元の点の間の関係を表現するためにマップします。実際には、以前のポイントクラウド上の動作点実際には、に学ぶことができるように、座標系の中心に付近に移動します：（PS \（X_I \）と\（X - jが\）の相対的な位置関係？）
2.実装
FPS中心点サンプリングは、ボールクエリ近傍は、サンプリングポイントの固定数を決定されます。MSGはまた戦略を採用し、その差は、ここでpointnet ++異なるグループに使用されるということである\（\ W）が共有されています。
\（H_ =（ED（X_1、X_2）、X_I-X - jが、X_I、X - jが）{のIJ} \）、\ （\ mathcal {M} \）共有MLPであり、\（\ mathcal {A}は\）最大であります、\ （\シグマ\） ReLUです。
共有MLPリフト寸法を通じて、地域の特徴を抽出した後、最終的にFCによって分類。ネットワークのセグメンテーションのための前作と一致してスキップ接続の数が増加します。
3.実験
实验：分類、セグメンテーション、通常の推定
ベースライン：pointnet、pointnet ++、PCNN、DGCCNN、...