数据集:
1
2
pointnet内的处理好数据的下载
无序点云
最早直接输入点云数据进行特征学习的网络是 在CVPR2017上提出的PointNet[42]。与其他架构不同,PointNet不使用卷积提取特征仅由全连接层组成。网 络解决了点云无序性、几何旋转的问题,实验结果也 表明其性能相当可观。
pointNet:
csdn1
csdn2
github
dataset
虽然是是突破性的进展,但尚有许多问题,比如对局部空间特征的感知较差。由 2D-CNN获取灵感,Qi等人又提出了PointNet++[43],网络由 PointNet构成的特征提取块组成,并采用了MSG、 MRG以及特征传播改进网络架构,输入沿着多分辨率 层次以逐渐变大的比例捕获特征。虽然在一些数据集上的结果提高不是很多,但是也提高了架构对于稀疏点的鲁棒性。
pointNet++
自PointNet++提出之后,针对直接输入点的研究大量涌现。由于PointNet对点云的顺序不予考虑,所以需要 适配点云的变换一致性,空间复杂度较高。针对此问题,许多研究采用基于聚类和传统特征提取相关的算法改 进PointNet的层次结构或者其T-Net结构,来降低近邻 点搜索和组织的空间复杂度。直接输入无序点云的方 法虽然省去了组织和排序所带来的时间成本,但仍需要 消除顺序的影响后,并且不考虑顺序可能造成潜在特征 信息的丢失,因此也产生了对点云组织的点方法的研究。
有序点云
而针对分割任务并不受点云顺序影响的观点,Landrieu和Simonovsky提出了一种基于图的方法很好 地反驳了这点,网络采用了一种称为超点图(Superpoint Graphs,SPG)[48]的新型数据结构中。该结构包含一组称为超级点(Superpoint)的形状单元,其灵感来源于超像素 点(Super Pixel)[49]。文章认为,通过将数据组织为SPG,并使用边缘条件卷积[50]有助于分类和分割。网络不仅在小型模型分割上表现良好,在大规模场景分割上也毫 不逊色。最近,CVPR2019的一篇匿名论文[51]提出了一种采用图注意力卷积(Graph Attention Convolution, GAC)的方法。