高能核物理与粒子物理实验和理论研究产生了大量的点云数据，这几年的研究试着使用点云神经网络以及它的各个变种从核碰撞产生的大量粒子里面识别多粒子之间的长程关联，从而帮助确定物理信号。 最近读到一篇 2019 年的文章，里面的很多方法非常巧妙，这里解读一下。 题目：Rotation Invariant Convolutions for 3D Point Clouds Deep Learning 作者：Zhiyuan Zhang，Binh-Son Hua, David W.Rosen, Sai-kit Yeung 这篇文章的关键思想是如何构造点云上的卷积，使得当 3D 点云发生平移和旋转时，卷积网络的结果不变。 文章里的关键步骤包括：构造旋转不变的局部特征首先使用 farthest point sampling 得到点云的一个采样，这样可以降低计算复杂度。对采样得到的每个点，比如 p 点，寻找其 k 个最近邻粒子，构成一个局部点集，这个点集的中心点坐标为 。 有了 p 和 m，就可以定义一个参考方向矢量，\vec{pm} = \vec{p} - \vec{m} = \begin{bmat...