PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
在表述PointNet++之前,其实列出题目可以更好的表述这篇paper,PointNet++其实就是PointNet的分层版本,并且顺便解决了由于分层带来的系列问题以及PointNet遗留的问题。
在PointNet中,一个显著的问题是对于局部特征问题的处理,在原PointNet中,对于part segmentation以及scene semantic sparsing,即需要得到每个点的得分时,处理办法是直接将点特征与全局特征结合到一块进行处理,忽略了局部特征这一中间步骤,例如在一个场景中,我们先识别出椅子是椅子,桌子是桌子等这些局部特征,是否在最终对每个点进行分类时,是否会更加准确呢,所以PointNet++采用了分层的结构用于处理局部特征,用论文中的词来描述就是可以更好的处理fine-grained patterns,而在PointNet中,并没有进行分层处理,所以PointNet++对这一部分工作进行了完善。
其次还有一点背景知识是,点云数据的一个特征是数据密度不同,体现出近多远少等问题,而在密度不同的情况下,使用统一的模板处理这些数据显然是不对的,基于此,PointNet++的作者提出了密度适应的网络结构。
而综上,PointNet++的主要就是在PointNet的基础上,加入局部特征提取以及在进行局部分割时,在网络结构中加入密度适应使得分割更加准确合理的处理点云数据的论文,而事实上,论文也就这两个问题展开&