简介：1.该教程提供大量的首发改进的方式，降低上手难度，多种结构改进，助力寻找创新点！2.本篇文章对Pointnet++特征提取模块进行改进，加入SMPConv，提升性能。3.专栏持续更新，紧随最新的研究内容。
目录
1.理论介绍
连续卷积最近因其处理不规则采样数据和建立长期依赖关系模型的能力而备受关注。此外，使用大卷积核的有希望的实验结果催化了连续卷积的发展，因为它们可以非常有效地构造大核。利用神经网络，更具体地说是多层感知器(mlp)，是迄今为止实现连续卷积最流行的方法。然而，有一些缺点，如高计算成本，复杂的超参数调优，和有限的描述能力的过滤器。本文提出了一种不使用神经网络构建连续卷积的替代方法，从而提高了计算效率和性能。我们提出了权参数自由移动的自移动点表示，并使用插值格式实现连续函数。将该方法应用于构造卷积核时，实验结果表明，在现有框架中使用插入式替换可以提高性能。由于其轻量级结构，我们首先在大规模设置(例如ImageNet)中展示了连续卷积的有效性，