【点云系列】Grid-GCN for Fast and Scalable Point Cloud Learning

文章目录

• 1. 简介

• 2. Motivation

• 3. 思想

• • 3.1 数据构建 CAGQ
  • 3.2 图卷积 GCA

• 4. 算法

• • 4.1 采样方法

  • • 4.1.1 Random Voxel Sampling （RVS）
    • 4.1.2 Coverage-Aware Sampling （CAS）

  • 4.2 近邻查询

  • • 4.2.1 Cube Query
    • 4.2.2 K-Nearest Neighbors

• 5. 实验结果

• 6. 总结

1. 简介

题目：Grid-GCN for Fast and Scalable Point Cloud Learning， CVPR2020
论文：https://xharlie.github.io/papers/GGCN supCamReady.pdf
代码：https://github.com/xharlie/Grid-GCN

2. Motivation

自PointNet++和DGCNN问世以来，基本所有点云处理模型都要使用采样 或近邻查询 。

• Sampling
• Neighbor points querying
  但是呢，上述两种操作的时间复杂度太高，因而这篇文章就是解决这个问题的；

3. 思想

基于voxel的快速采样方法，依赖voxel做近似而快速的Points Querying，其中基础模块 GridConv包括了：

1. 数据构建：Coverage-aware Grid Query (CAGQ)
2. 图卷积：Grid Context Aggregation （GCA）
   

3.1 数据构建 CAGQ

将所有点映射到voxel当中，进而得到每个点的voxel索引。对于非空voxel，定义其周围的voxel集合为\pi,则该集合中的点为context points。

可将问题转换为：
Sampling—>采样voxel集合；
Points Querying—>从context Points中选取K个点；

3.2 图卷积 GCA

这里其实，基本就是各种attention的旧瓶装新酒的表达了，形成不同的策略。

上面的公式中，e是边缘注意函数，M是多层感知机，A是聚合函数。

• a：对于节点特征信息仅利用一个多层感知机，忽略边信息；
• b：节点+边信息；
• c：节点+ 边信息+各节点与中心节点语义信息；
• d: 节点+边信息（+权重参数）+各节点语义信息（特征融合）；
  其中边注意力机制如下式所示
  
  
  

4. 算法

4.1 采样方法

4.1.1 Random Voxel Sampling （RVS）

每个被占据的voxel等概率被抽中，这种随机采样的方式使得点云分布更均匀。

4.1.2 Coverage-Aware Sampling （CAS）

CAS的目的：选取那些可以包含更多被占据空间的中心体素
CAS使用方法：贪心算法
CAS算法步骤：

1. 先随机采样M个voxel，即 （RVS）
2. 判断当前体素覆盖增益是否比删除当前体素覆盖增益大，大的话替换，以此迭代，最终实现中心体素的最优化。
   

4.2 近邻查询

在voxel基础上提供了两种方法：

4.2.1 Cube Query

这是一种近似法，直接在Context Points中随机采样K个点作为最近邻点；

4.2.2 K-Nearest Neighbors

在Context Points中寻找KNN，相比在全点云中找KNN，这样方法搜索速度会更快。

时间复杂度对比：

5. 实验结果

评估 ：分类、分割
其中分类：1024个点3通道输入数据；

分类精度还不错，且没有使用voting的方式；

速度很快

6. 总结

值得学习的地方：

1. 根基打好，扎实做；
2. 对问题能够进行归纳与总结；
3. 注重解决问题的思路和使用简介高效的方法；

参考：

1. https://www.pianshen.com/article/1394918547/