2019_ICCV Oral_Shellnet

问题：点云处理框架准确性和训练速度的平衡性问题。

现有工作：

现有的点云分析框架虽然获得了良好的准确率，但是训练速度低，而且网络体系结构复杂。基本上现有工作对于准确性和训练速度上不能有很好的平衡。

创新点：

提出了一个新的方法，本文提出了一种有效的端到端置换不变的ShellConv 同心球壳卷积来对同心的球形空间进行统计，并定义具有代表性的特征，解决点序歧义问题。这种高效的点云置换不变卷积，能够有效平衡点云处理深度网络的精度和训练速度的问题。

方法：

ShellConv实现的功能是计算出一个采样点的feature。如上图(c)所示，一个Shell表示两个同心但不同半径的球面之间的空间范围。ShellConv的主要思路是：

1 先随机采样若干点（红色点表示）

2 将采样点的邻居点划分到不同的shell内；

同一个shell内的点，通过聚合函数（max_pool）计算出一个shell的局部feature；

3 最后用多个shell的局部feature，计算出采样点的feature

感觉就是pointnet++，多了一个变半径的功能。

结论：

未来可以将这种卷积应用在不同的点云分析领域：目标检测、实例分割等；

或者将思想扩展到Mesh上，同时也可以用此方法构建用于点云生成的自动编码器。