pointnet++

Pointnet++

1. 提出多层次特性提取结构。还提出多尺度的方法解决样本不均匀的问题，对分类的精度没有贡献，但在样本稀疏的时候对模型更加鲁棒。
   核心：a.利用空间距离，使用pointnet对点集局部区域特征迭代提取，学到局部尺度越来越大的特征。b.点集分布不均匀，提出自适应密度的特征提取方法。
   Pointnet++是pointnet的延伸，在pointnet的基础上加入多层结构，使得网络能在够越来越大的区域提供更高级别的特征。
   每一组抽象层都主要包含三个部分：采样层、分组层、特征提取层
   Sampling layer :对输入的点进行采样，在若干点中选出来点。（FPS方法进行采样）
   Grouping layer：对上一步得到的点进行若干区域的划分（在上层提取到的中心点的范围内寻找最近邻近的点组成一个group）
   pointnet layer ：对上述得到的每个区域进行编码，变成特征向量。
   MSG（多尺度分组）
   MRG(多分辨率分组)：MSG明显降低运算速率。
   分割任务主要分为特征提取层（SA module）、特征传递层(FP module,用来上采样)、全连接层三个模块。
   对采样密度的鲁棒性，本文采用dropout.
   Shuffle pointnet
   大量的MLP卷积会导致内存和计算效率降低。Pointnet利用多层mlp堆叠不涉及局部信息.
2. 提出一种高深的深广域神经网络，减少深度冗余。
3. 结合MLP和群卷积的优点，在降低点云分析复杂度法人前提下获得更好地性能。
   主要分为两部分:a.局部特征表示 b.模型复杂性度量 c.组卷积【优点：1.群卷积通过减少冗余来简化深层神经网络的训练
   允许更多特征通道，有利于编码信息3.可以看做稀疏卷积，因为每个组上的卷积只对整个通道的一部分负责】
   和pointnet++的区别是，1.使用群卷积来挖掘深度和宽度上的局部细粒度特征2.本文用到的不是半径，是knn来搜索保证邻域的固定数目。3.用边缘特征代替邻接点特征，将每个点与对应的邻接点连接起来，明确表示邻接点与其中心点之间的相对位置关系。