【2019CVPR学习】翻译( 六 ) _卷积

4.4稳健性测试和应力测试
我们比较了GAC和max算子对随机高斯噪声的稳健性和对丢失数据的抵抗能力。然而，由于附加噪声会改变分割任务中某个点的类属性，因此我们转向分类任务进行鲁棒性和压力测试。我们在[50]形状分类基准上实现了这项工作。共有12311个CAD模型，来自40个人工对象类别，分为9843个用于训练和2468个用于测试。我们在网格上均匀地采样1024个点，并将它们规范化为一个单位球体作为网络的输入。我们的分类网络是通过简单地将中的特征插值层替换为全局池化层来构建的，并且网络的输入只是每个点的高度信息。所有模型都是在不增加数据的情况下训练的。在稳健性测试中，输入点加入一系列标准差和零均值的高斯噪声。在压力测试中，输入点的一系列比值被随机剔除。从图7中，我们可以看到max算子对噪声更敏感，因为它实际上倾向于捕获最“特殊”的特征（可能是噪声），而GAC由于其空间和特征约束而对噪声具有鲁棒性。对于缺失数据，当缺失率为40%时，GAC的准确率下降了13.66%，而max算子的准确率下降了
5结论
【【2019CVPR学习】翻译】提出了一种新的具有可学习核形状的图形注意卷积算法（GAC），用于三维点云的结构特征学习。我们的GAC是一个通用且简单的模块，它保持了标准卷积的权值共享特性，并且可以有效地在图形数据上实现。我们应用GAC训练了一个端到端的语义点云分割网络。理论分析和实证实验都表明了本文提出的GAC的有效性和优越性。