最近看了很多大场景点云分割的论文，它们使用的都是RS采样的方法，随机采样导致最关键的一个问题就是采样的点比较多，而且会导致一些地方的点特征丢失的情况，今天给大家介绍一篇2019年CVPR的文章，PointWeb。自从PointNet开发出来，在点云分割上学习点与点之间的关系（邻域局部特征）成为了一个必然的研究方向，不论是对于Semantic3D还是S3DIS数据集来说，对于大场景点云分割算法还是其他算法来说，都是这个研究方向，学习完特征之后，聚合特征，然后在利用各种方法还原点的特征（还原点的尺度），完成细致的分割任务。
PointWeb其实可以参考PointNet++和DGCNN，前者是利用set absraction去学习邻域局部特征，后者是利用中心点和邻域点的关系学习邻域特征。PointWeb的话有点像增强的DGCNN，它学习不仅仅是中心点和邻域点的关系，还学习了邻域点之间的相互关系，形成一个局部链接的完全网络。
PointWeb学习邻域的模块称之为AFA模块，这部分主要是对特征进行一下增强，增强后的特征为：
对于△Fi是学习的特征，是通过特征调制器，以Fi为输入进行学习的，它由fimp和frel构成，前者是点之前的影响权重，后者是点之间的关系，简单理解就是权重和特征。
fimp模块的意思是Fj对Fi的影响权重，它构造权重的关系上选择的是特征的减法，后续有消融实验验证哪种关系最好。其中g（Fi，Fj）=Fi-Fj。
frel简单来说直接可以是Fj，但是建模上利用下述公式：
整体的AFA模块的总输出为（与网络模块对应）：
PointWeb的网络结构和其他算法都是类似，编码层进行点云特征的聚合，降点点云的尺度，然后解码层在还原点的特征，完成分割任务。
对于PointWeb的实验部分大家可以自己看论文，对于消融实验来说，他针对加法、减法、拼接、不拼接组成的权重进行了消融实验，发现减法构出的是最好的结果。
