PointNet++改进策略 ：模块改进 | x-Conv | PointCNN， 结合局部结构与全局排列提升模型性能

前言

这篇论文介绍了一种名为 PointCNN 的方法，旨在从点云（point cloud）数据中学习特征。传统卷积神经网络（CNN）在处理规则网格数据（如图像）时非常有效，但由于点云是无序且不规则的，直接在其上应用卷积操作会导致形状信息丢失，并对点的排列顺序敏感。

为了解决这一问题，论文提出了一种 X-Conv 操作。该方法通过学习一种 X-transformation 来重新排列点云中的点并加权输入特征。然后，将典型的卷积操作应用于转换后的特征。这种方法将传统的 CNN 扩展到点云特征学习，并命名为 PointCNN。

实验表明，PointCNN 在多个基准数据集上达到了与当前最先进方法相当甚至更好的性能。这些数据集包括 3D 形状分类（如 ModelNet40）、分割任务（如 ShapeNet Parts 和 ScanNet），以及 2D 草图分类任务（如 TU-Berlin 和 Quick Draw）。

论文的关键贡献在于提出了适用于点云的卷积操作，并展示了其在多种任务上的有效性。