点云的无序性_点云规则化处理(一)

点云是无序且不规则的数据，无法用现有的卷积神经网络进行计算和训练。所以自然就出现将规则化处理和卷积相结合，前面部分用规则化处理，后面部分接上一般的神经网络进行端对端的学习和训练。

VoxelNet

2017年苹果公司基于点云的3D物体检测论文“VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection”

具体思想

将三维点云划分为一定数量的Voxel，经过点的随机采样（使得较多点的网格采样后点变少，加快运行速度）以及归一化后（减少平移差异），对每一个非空Voxel使用若干个VFE(Voxel Feature Encoding)层进行局部特征提取，得到Voxel-wise Feature，然后经过3D Convolutional Middle Layers进一步抽象特征（增大感受野并学习几何空间表示），最后使用RPN(Region Proposal Network)对物体进行分类检测与位置回归。VoxelNet整个pipeline如下图所示。

核心部分

Voxel feature encoding layer

对点云划分后基本上是按照pointNet的方式进行特征提取，彩色的表示point feature(也即local feature)，灰色的表示这个划分中的global feature，concat