云计算路线图（实时云计算技巧）

本报讯(记者李清波)近日，山西大学智能信息处理研究所团队利用图结构学习网络实现了高精度点云计算，相关成果发表在《IEEE Transactions on Pattern Analysis and Machine Intelligence》上。研究结果提供了一个全新的视角，克服了构图和特征学习相互独立的问题，进一步提高了不同下游任务的性能，如点云分类和分割。

点云数据作为一种重要的三维数据，在自动驾驶、三维理解和机器人领域有着广泛的应用。如何有效提取点云特征，实现高性能的点云分析任务，是点云深度学习中的一个研究问题。图形神经网络是处理和分析不规则数据的有效方法。近年来，基于图的点云分析方法越来越受到关注。然而，大多数方法关注于如何设计卷积算子，而忽略了图结构对模型性能改善的影响。由于合成过程往往独立于网络学习，无法保证模型构建的图结构对于不同的下游任务是最优的，从而导致模型精度的限制。

为了解决上述问题，本研究提出了一种通用的图结构学习网络，实现了端到端的点云上图结构的构建和特征学习。通过图结构学习方法，构建点云上的长程依赖图和短程依赖图，充分利用已知标签数据和先验知识学习最优的图结构，更好地服务于后续的局部特征和全局上下文信息的提取。

相关论文资料:https://doi.org/10.1109/TPAMI.2023.3298711.