這是一篇今年五月八號才發的文章，
發表在計算機視覺最猛的 CVPR 期刊，文章來自大神集散地 MIT
內容大抵是在講 Deep Closest Point（DCP），
也就是修正迭代最近點（ICP）的點雲對齊算法。
Abstract 說了：這篇文章是要利用 DCP 解決 ICP 的 Local optimal 問題
什麼是 Local optimal 呢？
利用爬山演算法（Hill-Climbing Algorithm）來解釋：
借用別人的圖
（來自 www.itread01.com/content/1544182326.html）
就是當搜索點從 C 開始搜尋最高點時，A點會被認為最佳解。
但 A點 並不一定是全域最佳解（Global optimal）
讓我們來看看為什麼 DCP 可以解決 Local optimal 問題
首先看到 DCP 的結構圖
X 與 Y 是同一張點雲圖，但 Y 被做過 ｢旋轉」 及 ｢平移」
X = {x1, . . . , xi
, . . . , xN } ⊂ R3
, . . . , xN } ⊂ R3
Y = {y1
, . . . , yj
, . . . , yM} ⊂ R3
, . . . , yj
, . . . , yM} ⊂ R3
這兩行分別表示 X 與 Y 點雲 的 ＂點集合＂
作者用了兩個網路來擷取特徵值並比較
一個是她自己幹的 DGCNN（PointNet改良版）、一個則是 PointNet
簡單的來說，為什麼 DGCNN 會能夠解決 Local optimal 的問題，要從 DGCNN 的結構來看。
（欲看一個立委如何做立委，丟係愛看伊怎樣做立委。）
（DGCNN(上圖)、PointNet(下圖)）
我們可以觀察到 DGCNN 與 PointNet 的架構 只差在 DGCNN 把 PointNet 的 MLP 單元置換掉成
什麼是 EdgeConv？
EdgeConv 就是 取一點 對鄰近的＂K＂個點做 Convolution ，這樣就能得到那個區域的特徵。
（KNN）
得到 Local 特徵的情況下
我們拉回 DGCNN 的 DG（Dynamic Graph）
為什麼 DGCNN 能夠解決 Local optimal 是因為每次計算下一層特徵的時候都會重新計算，
像這樣：
由右至左是計算次數的多寡，能看見經過多次計算後，
局部特徵的關係會越來越像圖形中其他同樣特徵，物理距離卻比較遠的部分。
所以我們得到局部特徵
把這兩組特徵塞進 Transformer 裡面
NLP 的部份請參考我寫的這篇文章
下一篇即將進入實作