pointnet分割自己的点云数据_《三维点云处理》学习笔记（5）Deep Learning for Point Cloud...

一、前言

主要介绍处理点云时用的深度学习方法：

1. VoxNet，IROS 2015
2. MVCNN，ICCV 2015
3. PointNet，CVPR 2017
4. PointNet++，NIPS 2017

二、VoxNet

VoxNet为了模仿2D CNN，直接把点云影射到voxel grid中，然后执行3D CNN，最终处理成一个向量。

三、MVCNN

MVCNN，在点云周围不同的虚拟相机位置产生不同的2D图，然后用2D CNN处理这些图，最后做分类。

四、PointNet

PointNet网络结构：

创新点：

1. 通过max pool产生global feature，n*1024，对应每一个点的特征，max pool相当于获取了所有点最有效的特征，构成global feature。
2. 为了解决点云的旋转不变性，设计了T-Net。
3. PointNet is able to simulate any function on the point cloud。

详细说明第三个创新点：

第三个创新点翻译成数学的语言：

课上老师给的证明：

从Critical Points Set可以看出PointNet确实很牛，Critical Points Set是什么意思呢？最终global feature中的特征包含哪个点的特征，那个点就是critical point。

可视化结果如下：

但是PointNet没有像2D CNN那样逐层提取特征，所以就有了PointNet++。

五、PointNet++

网络结构如下：

每一个set abstraction包含三部分：

每一个圆圈的中心点就是sampling出来的点，grouping时使用k nearest neighbors更好一些，可以保证点的个数，方便网络处理。每一个group需要normalize。

另外还有其他的grouping方式：

也有其他提取特征的方式，从多层数据构造当前层的特征：

PointNet++的分类网络很简单，有意思的是他分割网络的设计：

分割网络主要由interpolate和unit pointnet。有点像auto-encoder，蓝色块中的特征d+C2+C1，其中d+C1来自于之前层的，C2时蓝色块中的点映射到红色中后，差值得到的特征。unit PointNet可以理解为没有max pool的PointNet。

PointNet++的结果：

Triks：