三维点云简述(2)--适合入门小白PointNet++、PointConv

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。