核心思想是在显著目标检测网络中，对象的大致全局位置信息在网络的深层便可以获得，因此Decoder的浅层部分只需要关注对象的局部细节即可。将Decoder深层的输出取反，那么网络关注的位置即为对象以外的边缘部分，从而使得最终结果局部细节更加出色。包括模板匹配和特征提取两种方法。模板匹配是将输入数据与预定义模板进行比较的过程，而特征提取则是从数据中提取有助于识别的关键信息。让模型能够聚焦于输入数据中最

它包括一个中心单元和围绕它的八个单元，即所有与中心单元正交或对角相邻的单元。这种邻域结构是以Edward F. Moore的名字命名的，他是细胞自动机理论的先驱之一。Moore Neighborhood（摩尔邻域）是在。

深度学习(dl)的进展令人印象深刻地提高了点云补全的能力和鲁棒性。这项工作旨在对各种方法进行全面调查，包括基于点、基于视图、基于卷积的、基于图的、基于生成模型、基于转换器的方法等。本调查总结了这些方法之间的比较。此外，这篇综述总结了常用的数据集，说明了点云补全的应用。最后，我们还讨论了这种迅速扩展领域的可能研究趋势。面临的挑战：结构信息、细粒度的完整形状挑战。点云补全是由部分点云导出的。

**超体素（SuperVoxels）**：超体素是一种基于体素的聚类方法，它将相邻的体素组合成更大的单元，这些单元在空间上是连续的，并且具有相似的颜色、强度或表面法线等属性。- **超体素**：超体素不是简单的三维数组，而是一种基于图的数据结构，每个超体素包含多个体素，并且超体素之间可能存在邻接关系。- **体素**：由于体素是均匀分布的，处理起来相对简单，但可能需要大量的计算资源，尤其是在处理大

CA通过将2D通道注意力分解为两个1D编码过程，分别沿垂直和水平方向聚合特征。这样一来，模型不仅能捕获。，帮助模型在需要定位物体结构的任务中表现更优。如图为：SE、CBAM、CA。

领域自适应问题指的是训练和测试数据分布在不同的分布上，即在一个源域上训练模型，但需要在另一个不同的目标域上进行部署和应用。

这里先用W1乘以z，就是一个全连接层操作， W1的维度是C/r * C，这个r是一个缩放参数，在文中取的是16，这个参数的目的是为了减少channel个数从而降低计算量。又因为z的维度是1*1*C，所以W1z的结果就是1*1*C/r；然后再经过一个ReLU层，输出的维度不变；然后再和W2相乘，和W2相乘也是一个全连接层的过程， W2的维度是C*C/r，因此输出的维度就是1*1*C；通过学习的方式来

**并行处理**：在卷积层中，多个卷积单元（即多个卷积核）可以并行处理输入数据，每个卷积单元提取不同的特征，最终将所有特征图拼接起来形成下一层的输入。- **功能关系**：卷积核负责实际的特征提取工作，而卷积单元则包括了卷积操作后的激活函数应用，两者共同完成特征提取和非线性变换的任务。- 在某些文献中，卷积单元可能指的是包含多个卷积核的整个卷积层，这些卷积核并行工作以提取多种特征。- **组成关系

机器学习的应用是一个高度依赖经验，不断重复的过程，需要训练很多模型才能找到一个确实好用的。

特点：方法引入局部特征变换，将点云局部特征转换到球领域卷积模式下，使用多层感知机（MLP）来对每个点的局部特征进行处理和聚合，其输出表示当前点特征并反映周围点的信息，通过迭代高层特征聚合的过程，PointNet可以逐渐聚合全局信息，并将其编码为点的特征表示。利用深度学习处理的目：以每个点及其特征作为输入，找到学习函数，得到我们感兴趣的信息，对输入的点进行目标识别与分割。深度学习处理方法：Point