![](https://csdnimg.cn/release/download_crawler_static/87486189/bg4.jpg)
图 2 三阶段与单阶段 2D 卷积的对比
Fig. 2 Comparison of 2D CNN with three-stage and one-stage
下载: 全尺寸图片 幻灯片
f(l)(si)=∑j=18wij(concat(xi,xi−xij,fij))f(l)(si)=∑j=18wij(concat(xi,xi−xij,fij))
其中, f(l)(si)f(l)(si)表示点 sisi 在第 ll 层学到的特征, concatconcat 表示级联操作, wijwij
表示 sisi 和 sijsij 之间的可学习权重.
由于 Octant-CNN 先通过 T-Net 对点云方向进行预先标定, 其后采用一个二维卷积同等
处理各卦限内的点及其特征, 使得单阶段卷积对输入点云具有各向同性, 因此对于不同角度
的同一点云输入, Octant-CNN 总能得到相似的特征表示, 具有旋转不变性.
为了使每个点能够提取更丰富的特征, Octant-CNN 在卦限卷积模块中堆叠了多层卷积
操作, 并将各层的输出特征通过 MLP 进行融合, 以充分利用各层次特征信息, 并且 MLP 的