1. 讲者介绍

饶永铭：2018年于清华大学电子工程系获工学学士学位，现为清华大学自动化系一年级直博研究生。研究方向为计算机视觉和深度学习。他在计算机视觉和机器学习领域会议CVPR，ICCV，NeurIPS和期刊TPAMI，IJCV共发表论文8篇。他还担任多个期刊和会议的审稿人，曾获得商汤本科生奖学金。

报告题目：Robust Feature Learning for Point Cloud Recognition

报告摘要：近些年来来，随着以PointNet为代表的深度点云处理模型的兴起，点云识别领域取得了巨大的进展。然而，点云识别方法仍然面临着旋转鲁棒性不足、难以学习点云局部几何结构等问题。在本次分享中，我们将回顾为3D物体识别设计鲁棒性学习方法，以及我们在CVPR2019上发布的新工作：“Spherical Fractal Convolutional Neural Networks for Point Cloud Recognition”。在这个工作中，我们设计了新的网络框架，成为球面分形卷积神经网络（SFCNN）。我们的设计成功将球面卷积应用于直接处理点云数据，并利用分形结构设计了层次化的网络结构，将图片识别中的空间卷积、池化、残差结构等成功技术应用于点云识别中。同时，旋转对称结构使得我们的方法能够实现旋转鲁棒的特征学习，并实现超过先前工作的旋转不变性和泛化能力。

Spotlight：

应用于3D物体识别的鲁棒特征学习的总结和分析；
新的框架：球面分形卷积神经网络。

2. 讲者介绍

刘永成：中科院自动化所，模式识别国家重点实验室15级在读博士，研究兴趣包括三维点云处理、图像分割、场景分类等。以第一作者在CVPR、ACM MM等国际会议上发表论文3篇，国际顶级期刊上发表论文1篇。以第一完成人获国际图像分割竞赛冠军1次，国内目标检测竞赛亚军、季军各一次。

报告题目：Geometric Relation Learning in 3D Point Cloud Analysis

报告摘要：三维点云来自距离度量空间，这意味着每一个点并非孤立存在，相邻的点形成一个有意义的几何形状。因此，对点间几何关系进行建模非常重要。本次分享将回顾近年来使用深度学习进行点间关系学习的经典论文，并介绍我们的CVPR 2019 Oral工作“Relation-Shape Convolutional Neural Network for Point Cloud Analysis”。我们提出了一种几何关系卷积方法，并用该卷积搭建了一个关系形状卷积神经网络，简称RS-CNN。RS-CNN在三个主流的点云分析任务上均取得了SOTA，同时也具有很好的鲁棒性。并且，RS-CNN不仅能够在三维空间中学习几何关系，还能从二维投影空间中推理几何形状。

Spotlight：

回顾点间关系学习的经典论文。
CVPR 2019 Oral工作：RS-CNN。

论文推荐

1. Sparse Lattice Networks for Point Cloud Processing

推荐理由：该工作发表于CVPR 2018。主要思路是将不规则的点云数据投影到规则的高维网格中，并使用稀疏双边卷积（sparse bilateral convolutional）实现高维网格中的特征学习。该工作通过引入高维网格空间，使得视图和点云的联合学习和推断成为可能，非常值得一读。

推荐理由来自：饶永铭

2. Learning SO(3) Equivariant Representations with Spherical CNNs

推荐理由：该工作发表于ECCV 2018。该工作使用球面投影的方法将表示为3D物体表示在球面上，并利用谱域卷积进行特征学习，以得到旋转不变的特征。该工作重新引发了对3维模型旋转鲁棒性的关注，方法十分新颖，非常推荐阅读。另外，同期还有ICLR 2018最佳论文之一的“Spherical CNNs”也提出了类似的方法，同样值得一读。

推荐理由来自：饶永铭

3. Dynamic Filter Networks

推荐理由：该工作发表于NIPS 2016。在传统卷积网络中，训练后的卷积滤波器权重固定不变。这篇工作提出了一个新卷积框架（图1），在测试阶段，卷积滤波器的权重根据输入数据而动态生成。该卷积框架在视频预测、图数据处理等领域具有非常广泛的应用，尤其是图数据处理，多篇顶会论文的核心idea均来自于此。强烈推荐大家阅读该论文，择需调研引用该论文的文章，相信会受益匪浅。

推荐理由来自：刘永成

4. Dynamic Edge-Conditioned Filters in Convolutional Neural Networks on Graphs

推荐理由：该工作发表于CVPR 2017，受到“Dynamic Filter Networks”的启发，提出了一个新颖的图卷积网络，并且第一个将图卷积应用于点云分类。该工作在点云上构建图，将每一个三维点作为图顶点，用三维点坐标定义边属性。卷积滤波器的权重根据输入的三维点以及边属性动态生成，捕获图结构信息，整个流程简单来说就是三维点—图—边属性—卷积权重。该工作构建的图卷积不受图数据不规则性的影响，同时满足卷积操作的范式，非常值得一读。

推荐理由来自：刘永成

5. Dynamic Graph CNN for Learning on Point Clouds

推荐理由：该论文于2018年1月就挂在arXiv上，到现在仍未正式发表，但其重要价值不可忽略。该工作也是构建图卷积网络，但动机非常直观：在点云学习中，高维特征空间中邻近的点，其在原始三维空间中所处的局部形状结构也应该相似。基于此，该工作在特征空间中寻找近邻点构建图网络。由于每一层的特征都不同，于是所构建的图在动态变化，因此称为动态图卷积。此外，为了捕获点间关系，该工作提出边缘卷积，即对由每一层特征所构建的边特征进行卷积。这篇论文idea新颖直观，方法简单有效，推荐阅读。

推荐理由来自：刘永成

回放视频+推荐论文+讲者PPT 登录后获取查看地址