在(1)中点明了PointNet存在的问题这篇主要给大家介绍一下目前新的方法:PointNet++、PointConv
(神经网络的实质就是特征提取器)
PointNet++(输出分类、分割)
从局部入手,多利用局部特征,与PointNet整体思想不变,在特征提取处使用类似图卷积的方式来整合特征。
基本出发点:
基于半径选择局部区域(类似得到很多簇);
针对得到的每个区域进行特征提取(卷积);
要解决的问题:如何选择区域(簇中心的选择);
簇的半径大小如何定义,每个簇中选择多少个样本点。
(1)第一步先确定好每一个局部区域,接下来对局部区域执行pointnet
(2)最远点采样—>分组 —>对每组进行特征提取
每组进行特征提取:维度变换,卷积(输入6,输出64)得到提取的特征,每个簇对应一个特征
(3)继续做多次采样,分组,卷积
图中输出为分类:d为三维点位信息,C可以看作特征数,N为数据数量
上图输出为分割,输出得到每个点的特征,需要进行上采样
缺点:受样本数量的影响
改进设计:
(1)多种半径MSG
(2)不同分辨率MRG
PointConv:
目前,几乎所有的点云数据处理算法首先要进行的就是最远点采样,减小样本点数量的同时,保持原有点云结构,但是这个方法属于非均匀采样,PointConv通过核密度估计达到均匀采样。