图解点云深度学习中FPS(Farthest Point Sampling)--最远点采样算法

一、回忆Farthest Point Sampling算法过程（建议详细看完）

我们选取一个点云，我们假设整个点集为一共有n个点，来进行算法的讲解。

1. 随机在整个点集中选取一个点作为起始点，并且放入集合中，其中集合B为我们采样后的点集。
2. 计算剩余n-1个点到的距离，并且选择距离最大的点，假设为，并将这个点写入集合。
3. 计算剩余n-2个点距离集合B中的点的距离，并选取最小的距离值假设为，其中假设点为，再计算n-2个点距离集合B中点的距离，并选取最小的距离值假设为，其中假设点为,随后选取和中比较大的值，假设>。则将，放入点集。
4. 重复上面的第三步，直到选出我们需要的采样点个数时，终止运行。 

建议、建议、建议：网上有很多博客已经写好这个算法，建议大家将算法原理对应代码过程，理解算法中的原理。

python：大家可以看一下这个博客中的代码实现：

 链接转载，感谢博主

二、重点：我们今天的重点，深度学习中FPS采样算法流程以及代码实现

其实，你会发现深度学习中运行FPS速度很快，但是我们按照算法流程编写代码运行以后，速度非常的慢，这是由于我们写的算法是每个点之间的计算，但是深度学习中是矩阵的运算，而且在GPU上运行，所以速度比较快。

下面图解，可能有些抽象，大家对照代码理解。

首先，我们可以整体看一下这个过程：

其次，我们简述FPS内部过程：定义一些常量（对照代码看名称） 

 第一次循环：

 第二次循环：

进行512次循环，即可得到采样点的index，维度为（64，512）。

主要是每次更新distance矩阵的值，然后求最远点，将最远点的index保存到centroids中。保证dist

以下代码为完整FPS的过程： 

def farthest_point_sample(xyz, npoint, RAN=True):
    """
    Input:
        xyz: pointcloud data, [B, N, C]
        npoint: number of samples
    Return:
        centroids: sampled pointcloud index, [B, npoint]
    """
    device = xyz.device
    B, N, C = xyz.shape
    centroids = torch.zeros(B, npoint, dtype=torch.long).to(device)   #用来储存采样index 
#[64,512]
    distance = torch.ones(B, N).to(device) * 1e10      #用来储存距离
#[64,2048]
    if RAN:
        farthest = torch.randint(0, 1, (B,), dtype=torch.long).to(device)   #表示上一次抽样的到点 [64]
    else:
        farthest = torch.randint(1, 2, (B,), dtype=torch.long).to(device)

    batch_indices = torch.arange(B, dtype=torch.long).to(device)  #一个1-B的整数 [64]
    for i in range(npoint):
        centroids[:, i] = farthest  
        centroid = xyz[batch_indices, farthest, :].view(B, 1, 3)  #找出上一次采样的点 
#[64,1,3]
        dist = torch.sum((xyz - centroid) ** 2, -1)#[64,2048]
        mask = dist < distance  #更新每次最小距离
        distance[mask] = dist[mask]
        farthest = torch.max(distance, -1)[1]  #求取最大距离 [64]
        print(farthest)

    return centroids

 以下代码将FPS抽取出来的点云的index，转化为点云：

def index_points(points, idx):
    """
    Input:
        points: input points data, [B, N, C]
        idx: sample index data, [B, S]
    Return:
        new_points:, indexed points data, [B, S, C]
    """
    device = points.device
    B = points.shape[0]
    view_shape = list(idx.shape)
    view_shape[1:] = [1] * (len(view_shape) - 1)
    repeat_shape = list(idx.shape)
    repeat_shape[0] = 1
    batch_indices = torch.arange(B, dtype=torch.long).to(device).view(view_shape).repeat(repeat_shape)
    new_points = points[batch_indices, idx, :]
    return new_points

 运行结果显示：可以从2048个点-->采样到512个点。