一、Previous Works
- 方法介绍
Conversion | Deep Net | 备注 |
---|---|---|
Voxelization | 3D CNN | 点云数据数据珊格化后会降低分辨率,存在信息丢失 |
Projection/Rendering | 2D CNN | 代表方法 Multi-view CNN,对物体进行多方面的拍照再进行处理,这种方法和选取的角度多少有关,选取的角度个数多,会造成计算量的增加 |
Feature extraction | Fully Connected |
- 挑战
-
Unordered point set as input(n个d维的点,输入顺序不同不影响几何图形)
-
Invariance under geometric transformations(不同的几何变换要有不变的特性)
-
二、PointNet++
- 特点
- Hierarchical feature learning
- Translation invariant
- Permutation invariant
- Hierarchical feature learning
Set Abstraction: sampling + grouping + pointnet- Sample centroids
- Uniform sampling
- Farthest sampling
- Group points by centroids
- K nearest neighbors(找到固定数量的邻近点)
- Ball query (within range)(会查找在查询点半径范围内的所有点,在实现中设置了查询点的上限)
- 与KNN相比,求查询的局部邻域可确保固定的区域尺寸,使局部区域的特征在整个空间中更具有通用性。
- Apply PointNet on each point group
- Sample centroids
- PointNet++:improved PointNet(缺乏Hierarchical feature learning,导致丢失局部结构信息)
- Point Feature Propagation for set segmentation
- 对非均匀点云的处理方法
-
Multi-scale grouping (MSG):对同一级别的点选择不同的半径,进行特征提取,将得到的特征进行拼接
-
Multi-resolution grouping (MRG):在不同级别上进行特征提取,进行拼接
-