论文研读之《RandLaNet: Efficient Semantic Segmentation of Large-Scale Point Clouds》

论文：https://arxiv.org/pdf/1911.11236.pdf

代码：https://github.com/QingyongHu/RandLA-Net

应用领域：大场景（如室外）的点云语义分割

数据集：

1. Semantic3D
2. SemanticKITTI
3. S3DIS

主要贡献：提出更快的点云语义分割模型。

1. 对比现有的采样方法，发现随机采样最好。
2. 为了减小随机采样丢失的信息，提出局部特征采样器，包括 Local Spatial Encoding (LocSE) 和 Attentive Pooling。

  总的来说，这篇论文讲述详实，内容容易理解，简单而又高效。

采样

  作者对比了现有的几种采样方法，包括 PointNet、PointNet++ 等中使用的最远点采样（Farthest Point Sampling，FPS），其计算复杂度为 $O(N^2)$，处理 $N10^6$ 点云数据需要约 200 秒；逆密度采样（Inverse Density Importance Sampling，IDIS），其计算复杂度为 $O(N)$，处理等量点云需要约 10 秒；随机采样的计算复杂度为 $O(1)$，与数据量无关，处理等量点云需要约 0.004 秒；其他基于学习的采样方法或花费更多时间，或有更大的内存需求。

局部特征聚集

  随机采样会丢失部分有用的信息，所以在丢失这些信息之前，先把信息收集起来。这部分可分为三步：局部空间编码（Local Spatial Encoding，LocSe）、下采样（Attentive Pooling） 和 残差模块。如图1所示。

局部特征编码

  输入数据为 $N\times (3+d)$ 的点云数据，其中 $3$ 为点的空间坐标 $(x,y,z)$， d d