PointGroup
Backbone Network
场景以点云的形式输入进网络，每个点包括三维坐标和三维颜色信息。
网络形式是一个U-Net（先对点体素化后，使用稀疏卷积SC和submanifold稀疏卷积SSC进行，得到的结果再从体素化生成回点值形式（Submanifold sparse convolutional networks, 2019）），通过网络后，每个点被提取出K维特征。
Clustering
然后再从这K维特征中得到两样东西，（通过一个MLP得到）用于语义分割的一维标签S（同一类的标签值相同）和（通过同类点求位置的均值得到）用于预测目标中心位置的三维向量o（offset），指示对于该点，其所属的分割类的中心的方向。
由于这种分类让每个点按类聚在一起，就可以根据点聚类之间的空位距离对点进行聚类。
由于这种offset不总准确，论文将原位置p采得一个聚类结果，再由加上offset的新位置q采得一个聚类结果，将两个结果取并集，输入到ScoreNet中
Score Net
对于每个聚类，该聚类i的Ni个点先前提取的K维特征信息构成NiK维聚类特征，位置构成Ni3维位置特征，和之前类似的方法体素化（每个体素特征求平均）后输入SC和SSC的较小U-Net进一步提取特征后经过max-pooling得到一个聚类特征，进而输入MLP后经过Sigmoid函数得到最终分数Si
最后用先前的聚类信息和得到的分数信息输入NMS输出最终聚类信息。
GRL (*Gradient Reversal Layer)*
GRL层
梯度下降是最小化目标函数，而GRL这一层的目的是“向负方向梯度上升”，其实就是最大化目标函数。
模型说明
上图绿色部分是特征提取，对应GAParts就是那个Sparse U-Net，提取特征F用的
蓝色部分是处理分类任务用的，对应GAParts就是后续的聚类和score模块等
粉色部分就是重点的domain classifier，是一个域分类器，本质上是一个判别器。
GRL和domain classifier的意义
在训练中，绿色部分和粉色部分构成了一种类似GAN的结构，绿色部分作为生成器，粉色部分作为判别器，目标是让生成出来的feature趋于域自适应（域分类器尝试将feature进行分类，如果这种分类越来越难以进行，说明提取出来的feature就是共通的feature，也就趋向于域自适应了）
GAParts中的Domain-invariant Feature Learning
总共提出了三种方法，均是对于domain-classifier的改进，用于使模型更加适应不同类型，能准确提取不同物体的特征。
Part-oriented Feature Query
由于GAParts是对Parts的分类，因此实际上做分类器是对点向不同的结果label（即parts/clusters的编号i）分类。因此采用对于分数大于某阈值s的所有parts，计算分类器对其的loss再求均值的方法
Multi-Resolution
由于部件大小不一，为了能适应多种大小，向Domain Classifier输入的feature来自三个不同大小的U-Net层，最后loss取加权总和。这样能让网络适应不同大小的部件。
Distribution-Balancing
为了能使训练中对于不同类型不同种类的Parts训练成果比较均匀，采用了一种均匀分布的方法，具体来说是对前述Part-oriented Feature Query在求均值前加了一个权重，对于准确率更高的部分，los计算的就更小一些，同时对于域分布量更大的计算的更小一些。