ICRA 2020——Dilated Point Convolutions: On the Receptive Field Size of Point Convolutions on 3D Point

论文：https://arxiv.org/abs/1907.12046

Abstract

• 提出了扩张点卷积（DPC）。
• 感受野的大小与3D点云处理任务的性能直接相关，包括语义分割和对象分类。
• DPC大大增加了点卷积的接收场大小。
• DPC可以轻松地集成到大多数现有的点卷积网络中。

（一）Introduction

重要性： 神经单元的感受野描述了影响其输出值的输入数据区域。感受野之外的所有输入数据均不影响输出。因此，大的感受野很重要，因为它们可以在较大的输入上下文中进行推理。

困难： 由于3D点云的结构不均匀，因此难以计算接收场的理论大小，因此该研究尤其具有挑战性。

分析： 可视化感受野以分析不同的网络体系结构，进行全面的消融研究，比较几种增加点卷积感受野的策略。

1. 堆叠卷积层
2. 使用较大内核

通过观察所得感受野的程度，注意到它们的影响仍然相当有限。

改进： 基于这些观察，论文提出了Dilated Point Convolutions作为一种显着增加点卷积的感受野大小的方法。

贡献:

1. 评估了当前使用点卷积方法增加感受野的最常用策略。
2. 可视化点卷积的感受野，以做出有根据的网络设计。
3. 从这些观察结果中，提出膨胀点卷积（DPC）作为一种明显增加接收场大小的机制。
4. 使用DPC，在S3DIS 和ScanNet 上的3D语义分割任务以及ModelNet40 上的形状分类上取得了非常好的结果。

（二）Related Work

大同小异，故不重复赘述。

（三）Approach

A. Point Convolutions

点卷积可以使用D维空间中连续卷积的一般定义来表述。连续卷积定义为:

$$(f\ast g)(p_i)={\int }_{-\infty }^{+\infty }f(p_j)\odot g(p_i-p_j)d{p}_j-----(1)$$

注释：

• $\odot$ 是连续特征函数