SFFAI52 - 黄俊杰
SFFAI52 - 卢维欣
关注微信号：人工智能前沿讲习，回复“黄俊杰”，“卢维欣”获取讲者PPT资料。
随着神经网络结构的发展，其独特的数据处理能力正在逐步影响的更多的传统研究领域。SFFAI52期论坛中第一位讲者黄俊杰主要关注神经网络在社会计算上的应用，分析了在正负符号网络中的关键社会学理论，并结合GNN框架提出正负符号图注意力网络SiGAT。第二位讲者卢维欣来自业界，主要关注点云基础策略算法，实现了收割端到端的高精度点云配准网络，具有极大的使用价值。
讲者介绍
黄俊杰：中国科学院计算技术研究所在读硕士，主要研究方向社会计算和图神经网络。
报告题目：正负符号图注意力网络
报告摘要：网络数据在现实世界中无处不在，包括社交网络，信息网络，交通网络，生物网络等。网络数据的非欧性质对建模和分析图数据提出了挑战。最近，图神经网络（GNN）作为处理图数据任务通用且功能强大的框架，在许多任务例如节点嵌入，链接预测和节点分类等任务上取得了巨大成功。作为GNN的代表性实现，图注意力网络（GAT）已成功应用于实际数据集的各种任务中。但是，GAT设计为仅具有正向连边的网络，无法处理包含正向和负向的符号网络。在本文中，我们提出了正负符号图注意力网络（SiGAT），将GAT推广到符号网络中。SiGAT将图模态(graph motifs)整合到GAT中，以捕获正负网络研究中的两个著名社会学理论，即平衡理论和地位理论。在SiGAT中，模态（motif）为我们提供了灵活的结构模式，可在正负符号网络上聚合和传播消息以生成节点嵌入。我们通过将其应用于连边符号预测任务来评估所提出的SiGAT方法。在三个真实数据集上的实验结果表明，SiGAT优于基于特征的方法，网络嵌入方法和基于最新的GNN的方法（如符号卷积网络（SGCN））。
Spotlight：
- 分析了在正负符号网络中的关键社会学理论（平衡理论和身份理论）；
- 使用motif来刻画上述的两个社会学理论，结合GNN框架提出正负符号图注意力网络（SiGAT）。
卢维欣：百度自动驾驶技术部资深研发工程师，主要研究方向点云基础策略算法研究。
报告题目：DeepVCP：端到端的点云配准网络
报告摘要：点云配准技术是三维视觉领域的一项基础技术，其目标是将不同视点采集的点云数据通过计算其相对位姿的方式拼接到一起。随着激光雷达在机器人，无人车的领域的推广应用，点云配准技术作为高精地图，高精定位等方向的核心模块越来越受到重视。然而与传统场景相比，自动驾驶场景下，点云配准技术不仅要面临更差的初值（GNSS信号不佳），还需要应对动态地物的干扰，这些问题都对点云配准技术提出了新的挑战。为解决上述问题，提出一种基于深度学习技术的端到端的点云拼接网络DeepVCP，不同于传统方法中仅使用几何特征，DeepVCP在拼接过程中引入了语义特征自动筛选关键点，此外，不同于传统方法中查找几何特征最相似的点作为同名点，DeepVCP仅评估几何特征之间的相似度，并根据相似度生成匹配概率，最后根据匹配概率生成同名点，最后算法仅依赖少量的稳定关键点进行匹配达到了和ICP家族使用全帧点云匹配相等的精度，这提升了匹配的稳定性。
Spotlight：
- 首个端到端的高精度点云配准网络，达到了和传统state-of-art方法同等的精度；
- 提出的Corresponding Point Generation Layer和Loss函数对后续配准网络设计具有启发意义；
- 与传统方向相比，对大误差拥有更好的鲁棒性。
论文推荐
Predicting Positive and Negative Links in Online Social Networks
推荐理由：这是一篇比较早关注到社交网络中的正负符号关系的论文，其提出了一个机器学习方法对连边关系的符号进行预测。在当前深度学习火热的背景下，一些过去的经典论文对于启发模型设计很有帮助。
Signed Network Embedding in Social Media
推荐理由：这篇文章时间上来看不是最早的正负符号网络的表示学习论文，但其在建模正负符号网络的时候，关注到正负符号网络中的结构平衡理论，并对其进行建模，是正负符号网络领域的重要的基线方法。
Inductive Representation Learning on Large Graphs
推荐理由：这是一篇非常经典的GNN的论文，很容易在文章中看到图神经网络中空间方法的消息传播框架的身影。相比GCN，其方法简洁明了，易于实现的同时也易于扩展到大规模的网络建模中，是图神经网络学习中空间方法的重要代表。
Signed Graph Convolutional Network
推荐理由：正负符号图卷积神经网络，是图神经网络应用到正负符号网络的第一个工作
PointNet:Deep Learning on Point Sets for 3D Classification and Segmentation
推荐理由：这篇文章首次提出了直接作用于无序，无规则点云的深度学习网络，极具启发意义，其核心思想在于使用单一参数的MLP对每个点提取特征，再使用MaxPooling这种对称操作融合单点特征。
3DFeat-Net:Weakly Supervised Local 3D Features for Point Cloud Registration
推荐理由：这篇文章使用深度学习特征取代传统的手工几何特征完成了点云拼接工作，不仅如此，该方法中通过对拼接关键点之间最小特征距离的判断实现了弱监督的训练，非常有实用价值。
KPConv:Flexible and Deformable Convolution for Point Clouds
推荐理由：最新的点云特征提取网络，对点云的处理又回到了规则结构上，与传统图像卷积的方法进一步靠近，这有利于减少网络参数量提升特征层次。近年来类似的文章出现了不少，其中比较优雅和具有代表性的则是KPConv，其它类似的文章还有：
- Deformable Filter Convolution for Point Cloud Reasoning，arXiv，2019.
- Efficient Learning on Point Clouds with Basis Point Sets，ICCV，2019.
- Point convolutional neural networks by extension operators，SIGGRAPH，2018.