pointNet++学习笔记（一）

**

pointNet++学习笔记（一）

**

一、概述

pointnet++网络对pointnet进行了较大的改进。文章非常核心的一点就是提出了多层次特征提取结构。具体来说就是先在输入点集中选择一些点作为中心点，然后围绕每个中心点选择周围的点组成一个区域，之后每个区域作为PointNet的一个输入样本，得到一组特征，这个特征就是这个区域的特征。之后中心点不变，扩大区域，把上一步得到的那些特征作为输入送入PointNet，以此类推，这个过程就是不断的提取局部特征，然后扩大局部范围，最后得到一组全局的特征，然后进行分类。文章中还提出了多尺度的方法解决样本不均匀的问题，这些方法对于分类的精度没有贡献，但在样本很稀疏的时候的确能让模型更有鲁棒性。网络的每一组set abstraction layers主要包括3个部分：Sampling layer, Grouping layer and PointNet layer。

二、网络结构详细介绍

总述
① Sample layer：主要是对输入点进行采样，在这些点中选出若干个中心点。
②Grouping layer：是利用上一步得到的中心点将点集划分成若干个区域；
③PointNet layer：是对上述得到的每个区域进行编码，变成特征向量。
1). Sample layer
使用farthest point sampling选择N’个点，至于为什么选择使用这种方法选择点，文中提到相比于随机采样，这种方法能更好的的覆盖整个点集。具体选择多少个中心点，数量怎么确定，是由人来指定的。
2). Grouping layer
这一层使用Ball query方法生成N’个局部区域，根据论文中的意思，这里有两个变量 ，一个是每个区域中点的数量K，另一个是球的半径。这里半径应该是占主导的，会在某个半径的球内找点，上限是K。球的半径和每个区域中点的数量都是人指定的。这一步也可以使用KNN来进行，而且两者的对于结果的影响并不大。
3). PointNet layer
这一层是PointNet，接受N’×K×(d+C)的输入。输出是N’×(d+C)。需要注意的是，在输入到网络之前，会把该区域中的点变成围绕中心点的相对坐标。作者提到，这样做能够获取点与点之间的关系。