pointnet++/index_points

pointnet++ / models / pointnet_utils / index_point(point, idx)

---

index_point() 是pointnet++中的一个方法，其源码如下：

def index_points(points, idx):
    """
    Input:
        points: input points data, [B, N, C]    [batch,number,condition]
        idx: sample index data, [B, S]          [batch,sample]
    Return:
        new_points:, indexed points data, [B, S, C]     [batch,sample,condition]
    """
    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

---

作用：

结合输入的总体点云位置数据和筛选出的部分样本点云ID，返回筛选出的部分样本点云位置数据。
也就是说前面的过程中我们获取了目标点云在矩阵中的ID，通过这个函数将ID值转换为各点的(x,y,z)坐标值。

---

解释：

B代表batch size；
本文中B = 8 ；

---

    B = points.shape[0]

获取points矩阵第一列的维度；
实际上是得到了我们导入的点云数据的第一个维度，也就是batch_size。本例中B = 8

---

    view_shape = list(idx.shape)
    view_shape[1:] = [1] * (len(view_shape) - 1)

view_shape先获得了idx的形状，再将维度减1又限定大小为1，赋值给view_shape后面的列；
这一步是为了还原idx矩阵第一维的大小，并且保持矩阵维度不变，除第一列外个维度大小全部定为1。

---

    repeat_shape = list(idx.shape)
    repeat_shape[0] = 1

repeat_shape先获得了idx的形状，再将第一个维度大小限定为1，其他维度大小保持原样不变；

---

    batch_indices = torch.arange(B, dtype=torch.long).to(device).view(view_shape).repeat(repeat_shape)

先将B排序，然后view成view_shape的形状，这里的形状为[8，1，1]；
然后再按repeat_shape的形状对每个维度进行复制，一共复制8次；
最终得到一个和idx大小相同，内容为各个batch序号的张量，例如{tensor(8,512,16)}:就是八组[512,16]的矩阵，从一到八内容分别从0到7；
其目的是建立一个和index格式相同的模板，在下一步根据位置取出points张量中的坐标值。

---

    new_points = points[batch_indices, idx, :]

batch_indices是上一步中构建的各batch的标号；
idx中保存了本次的采样点ID；
：表示要获取对应标号在new_points矩阵中的所有数据，也就是(x,y,z)坐标。

---

所以本例中最终返回的矩阵就是（8,512,16,3），即8个batch、512个中心采样点、中心点周围16个临近点、每点3坐标值的四维矩阵。