论文链接：https://dl.acm.org/doi/abs/10.1145/3326362
代码链接：https://github.com/AnTao97/dgcnn.pytorch
摘要
Dynamic Graph CNN (DGCNN) 是2019年提出的点云深度学习模型，旨在解决传统点云处理方法（如PointNet）忽略局部几何关系的局限性。该模型通过动态图卷积（EdgeConv），在点云中动态构建局部邻域图，并学习点与其邻域的关系特征，同时保持置换不变性。核心创新包括：
-
动态图更新：每层根据特征空间中的点间距离动态更新邻域图，逐步扩展感受野至整个点云；
-
局部与全局特征融合：EdgeConv同时捕捉点的全局特征和局部邻域差异，增强语义分组能力；
-
高效多任务支持：支持分类、分割等任务，在ModelNet40分类任务中达到92.9%准确率，优于PointNet++（90.7%）。
实验表明，DGCNN在复杂场景（如S3DIS室内分割）中表现优异，特征空间中的相似语义点距离显著缩小，验证了其对几何与语义信息的联合建模能力。
主要贡献
1、EdgeConv模块
-
局部几何建模：通过计算中心点与K近邻点的特征差异\((\mathbf{x}_j-\mathbf{x}_i)\) 和全局特征\((\mathbf{x}_{i})\)，结合MLP生成边缘特征，最后通过最大池化聚合，公式为：\(e_{ijm}^{\prime}=\mathrm{ReLU}(\theta_m\cdot(\mathrm{x}_j-\mathrm{x}_i)+\phi_m\cdot\mathrm{x}_i)\) \(x_{im}^{\prime}=\max_{j:(i,j)\in\mathcal{E}}e_{ijm}^{\prime}\)。其中 和 为可学习参数，实现局部与全局特征融合。
- 置换不变性：通过对称聚合函数（如max-pooling）保证对点云顺序不敏感。
2、动态图更新机制
- 每层根据当前特征空间中的K近邻动态重建邻域图，避免固定图结构的局限性，增强模型对语义相似点的长距离关联捕捉能力。
网络结构
DGCNN的架构分为编码器和任务头两部分，核心模块如下：
编码器
1、EdgeConv层堆叠
-
输入：点云 ，N为点数（网络中点数一直不变，只是特征维度增加）；
-
动态图构建：每层通过KNN（分类任务K=20，分割K=30）在特征空间中构建邻域图；
-
特征提取：对每个中心点及其邻域计算边缘特征，经多层MLP后聚合（max-pooling），输出更新后的点特征。
2、多尺度特征融合
- 通过堆叠多个EdgeConv层逐步扩大感受野
任务头
-
分类任务：全局最大池化生成全局特征，经MLP输出类别概率；
-
分割任务：将各层EdgeConv特征拼接，通过MLP逐点预测语义标签，结合跳跃连接保留细节。
动态图更新示例
-
输入层：基于欧氏距离构建邻域；
-
深层：基于特征空间距离重建邻域，使语义相似但空间远离的点建立连接（例如机翼与机身的特征关联）。
实验结果
总结
优势：
-
高效局部特征提取：EdgeConv在ModelNet40分类任务中较PointNet提升3.7%准确率，验证了局部几何建模的有效性；
-
动态语义感知：通过特征空间动态更新邻域，增强对复杂场景的适应性（如S3DIS室内分割任务mIoU达56.1%）；
-
轻量化设计：参数量与计算效率优于体素化方法，适合实时应用。
局限性：
-
计算开销：动态KNN搜索增加训练时间，尤其对大规模点云（如自动驾驶场景）；
-
方向信息缺失：EdgeConv未显式编码邻域点的方向信息，可能影响细粒度分割精度。
没有回复内容