Shared MLP的作用是什么

大家好，又见面了，我是你们的朋友全栈君。

MLP是多层感知机的缩写，在三维点云处理网络中经常能看到一层Shared MLP，下面是我关于其作用的分析。 先从感知机的一层说起，其结构如下。 Output=f(Input×Weights+biases) 其中： Input：N×C1 Weights：C1×C2 biases：N×1×C2 Output：N×C2 f(·)：激活函数，逐元素映射

在这里插入图片描述

注：

• 有些地方Input维度是C1×N，这个问题不大，Input和Weights乘的时候调换一下位置，后面的矩阵各自转置就好。
• N指的是样本数量，感知器模型与N值无关，因为从输入到输出每一个样本的处理过程是完全一样的。
• 激活函数的作用是在输出与输入之间引入非线性因素。

在这里插入图片描述

Input 的每行有C1个Feature，感知机的一层能够实现将C1维转换为C2维（对应输入层和第1层的C1、C2个神经元）。这C2维中每一维都整合了原来全部C1维的信息，但这C2维中不同维度利用这些信息的侧重点不同。换一个形象的说法，相当于把原来整行的信息揉成一团，再揉了C2次，得到C2个不同形状的团，成为C2个新的特征。也就是说，MLP可以实现特征转换，信息重组。再者，由于激活函数会放大一些值，抑制一些值，因此MLP可以实现特征提取。

以上说的是MLP的功能，而所谓shared mlp，只是在点云处理网络中的一个说法。强调对点云中的每一个点都采取相同的特征转换。 我们对PointNet中的shared mlp和mlp进行对比。

在这里插入图片描述

由于点云中的每一个点不是独立的，因此不应看作独立的样本。在shared mlp中，输入为包含多点的点云，我们对每一个点乘以相同的权重，这就叫做shared weights。而在mlp中，输入为单个向量，因此不需要共享权重。

我查看了PointNet的网络源码，参考了这位博主的解析：点云处理网络中的Shared MLP

下面对其源码中shared mlp 的实现进行解析。证明其与前面介绍的MLP本质上相同。

在这里插入图片描述

PointNet使用二维卷积网络来实现Shared MLP。左上图为PointNet中第一个Shared MLP模块示意图。

网络首先将点云看成一幅Nx3的单通道图片输入，然后通过1x3x1的卷积核将这幅点云的宽度变为1。通过定义卷积核的数量，可以任意定义该层输出的通道数。对应到右侧的神经元结构图，就是将3个输入神经元的信息整合后传到下层神经元的过程，64个神经元对应64个卷积核。

再往后，只需要使用 1x1xOutputChannel 的卷积核，就可以对点云特征进行任意维度的转换。所需的参数数量，都是InputChannel×OutputChannel，其作用都是特征提取。

结论

Shared MLP 是点云处理网络中的一种说法，强调对点云中的每一个点都采取相同的操作。其本质上与普通MLP没什么不同，其在网络中的作用即为MLP的作用：特征转换、特征提取。 ——————————————————

以上为2021/03/27更新

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/151707.html原文链接：https://javaforall.cn