无痛，大获：通过拟合特征级时空表面用静态模型分类动态点云序列

场景流是一种强大的工具，用于捕捉三维点云的运动场。然而，由于点云的非结构化特性，使得直接将基于流的模型应用于动态点云分类变得困难甚至不可能，因为难以高效且准确地追踪点对点的对应关系。为了在不显式追踪对应关系的情况下捕捉三维运动，我们提出了一种受动力学启发的神经网络（Kinet），该网络将ST-表面的动力学概念推广到特征空间。通过在特征空间中展开ST-表面的法线求解器，Kinet 隐式编码了特征级别的动态变化，并从静态点云处理中成熟的骨干网络中获益。仅需对网络结构进行微小调整并承担较低的计算开销，即可轻松地与给定的静态模型联合训练和部署我们的框架。实验结果表明，在NvGesture、SHREC'17、MSRAction-3D 和 NTU-RGBD 数据集上，Kinet 在性能、参数数量和计算复杂度方面均表现出色，并且适用于各种静态骨干网络。值得注意的是，Kinet 在 MSRAction-3D 数据集上仅使用 3.20M 参数和 10.35G FLOPS 就达到了 93.27% 的准确率。