【阅读笔记】pointnet++

Qi大神提出的pointnet家族中的一员，相较于划时代的只有全局特征的pointnet，加入了局部特征，以下是整理的笔记和不理解的地方。

简介

PointNet是在点云上应用深度学习的先锋，但有两个缺点。第一，pointnet学习每个点得到逐点特征，并把所有点串联得到全局特征，这导致无法获得局部特征，限制了网络对精细场景的识别和对复杂场景的泛化能力。第二，pointnet均匀采样，但实际场景的点云密度变化较大。

对应以上两点，pointnet++作出如下改进：
一是利用度量空间距离（metric space distances)将点集划分为有重叠的局部区域，使用pointnet对点集局部区域进行特征迭代提取，使其学到局部尺度越来越大的特征，直到全局特征。（类似CNN特征提取，先提取低级别特征，随着感受野增大，提取特征level越来越高）。二是提出了自适应密度的特征提取方法。

pointnet++需要解决的两个关键问题：

1. 如何生成点集的划分
2. 如何利用特征提取器提取不同区域的局部特征

这两者是相关的，点集的划分必须得到在跨区域的共同的结构，以便像卷积设置那样共享局部特征学习器的权重。
针对问题2，使用pointnet迭代学习局部特征。
针对问题1，定义邻域球，参数有中心坐标和半径。中心坐标的选取，文章使用了快速采样算法FPS（farthest point sampling）。相比于CNN以固定的步长进行扫描，这里的感受野依赖输入数据和度量。半径的选取，这里的邻域球大小类比于CNN中的卷积核，尽管VGG中提到小的卷积核效果比较好，但这是由于图像是网格化的，如果pointnet++使用较小的半径，可能会扫不到完整的局部特征。这里可以用KNN实现。

（未完）