DGCNN网络学习 - 技术栈

啊，学完PointNet和PointNet++入门，学点新网络，打个基础。DGCNN这个网络现在感觉好简单，但是效果又很不错，能发一篇不错的论文，真羡慕啊，要是我当时也搞这个，能发一篇这种文章，应该也很爽吧，奖学金我高低也能有点。

1.前言

DGCNN(Dynamic graph CNN)动态图卷积网络，这个用PointNet++网络对比的话，会比较容易理解，他的独到之处。

根据我之前的文章啊，PointNet++网络学习-CSDN博客，PointNe++这个是每一个SA模块中，会对当前输入的所有点，划分成N个区域，每个区域由采样点和其附近的点组成。N个区域内的点、点对应的特征进行组合计算。

DGCNN呢，简单粗暴的一，直接对所有点找附近距离最近的K个点进行组合，第一层的EdgeConv还是对点xyz进行组合计算，后续的是直接对高维特征进行相似度最近的K个进行组合计算。这样有啥区别呢，见小D的释义：

也就是说DGCNN的领域是动态的，PointNet++设定是点空间上附近的领域，而DGCNN是特征近似度最高的领域，它在空间上的位置是随机的、动态的。

2 Graph Feature

理解了Graph Feature这个部分，DGCNN的关键也就清楚了，后面就是老一套的卷积神经网络了，详见实现代码。

第一步，先计算所有点和本点之间的欧式距离排序，从小到大，得到每个点对应距离最近的K个点的索引位置：

python 复制代码

    #距离矩阵用平方欧氏距离 ||x_i - x_j||^2 = ||x_i||^2 + ||x_j||^2 - 2 x_i·x_j    
    B, C, N = x.shape
    # 内积矩阵: (B, N, N)
    inner = -2 * torch.matmul(x.transpose(1, 2), x)                # -2 x_i · x_j
    # ||x_i||^2, ||x_j||^2
    xx = torch.sum(x ** 2, dim=1, keepdim=True)                     # (B, 1, N)
    pairwise_distance = -xx - inner - xx.transpose(1, 2)             # (B, N, N) 负平方距离 (topk 找最大等价于找最小距离)
    # 取距离最小的 k 个 -> (B, N, k), 返回索引
    idx = pairwise_distance.topk(k=k, dim=-1)[1]                    # (B, N, k)

第二步，将每个点的领域K个点组合起来，得到(B,N,K,C)，之后再计算每个点和领域内K个点之间的特征差值，并进行拼接得到(B,N,K,2C):

python 复制代码

    #  gather 出所有邻居
    neighbors = x_flat[idx, :].view(B, N, k, C)                     # (B, N, k, C)

    # 自身特征广播到 (B, N, k, C), 与邻居差分拼接

    feature = torch.cat((neighbors - x_expanded, x_expanded), dim=3)  # (B, N, k, 2C)

3. EdgeConv

EdgeConv刚开始看到这个名字的时候，再想是啥高级卷积，Edge在哪，后面看代码实现和AI解释确实非常简单，就是计算组合了特征计算边向量了。

4.结语

简单粗暴又有效，厉害。但也有点弊端吧，显而易见的容易显存爆炸。后面针对这个问题改进加了个FPS就能发CVPR？哇哦，应该没有AI说的这么简单吧，羡慕啊~