PointNet++深入解读

论文：PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
代码：https://github.com/charlesq34/pointnet2

0 引言

PointNet++ 是PointNet的改进版。 PointNet的一个很大的缺点是无法获得局部特征，在复杂任务（如分割等）上的表现并不是很好。
这个跟PointNet的结构设计有很大关系， PointNet把一个点云中的所有点当做一个整体， 直接提取了一个全局特征， 缺乏局部点之间的关联。
PointNet++非常核心的一点就是提出了多层次特征提取结构， 可以很好地提取局部特征。
PointNet++ 的思想非常类似于CNN, 通过分层的特征提取逐步扩大感受野， 可以提取不同层次的特征。

1 网络设计

要想提取局部特征， 直观的想法就是把点云进行分块， 每一块作为一个局部的整体， 用PointNet进行特征提取；
要想获得类似CNN的层次化特征， 直观的想法就是级联多层PointNet网络，对提取到的局部特征再进行分块， 继续用PointNet提取特征。
实际上， PointNet++ 也正是这么做的。 网络结构如下：

具体到PointNet++ 网络设计中， 其实还有一些细节的考虑。

1.1 分块

文章中叫做groupping, 作者采用的grouping的方法是先找到一些点， 以这些点为中心画一个球， 在一个球内的点云就被分为一组。
球的半径的选取是有一定技巧的， 最简单的是选取一个固定值， 但是由于点云分布并不均匀， 这样就会导致有的组内点很多， 有的组内点很少。
为了尽量保持均匀， 球的半径是可变的。 半径的确定可以通过一些聚类的方法如KNN等。

2 实验结果

在分类和分割任务上的精度明显优于PointNet.