【论文阅读笔记】PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

（一）论文地址：

https://arxiv.org/abs/1706.02413

（二）核心思想：

PointNet 是深度学习应用于点云识别和分割的先驱，它使用了无序的点云集合输入，采用 MLP 输出每个点的特征，最后通过最大池化层聚合整体特征；

但是这也导致了一个问题——PointNet 无法感知 3D 物体的局部特征，在复杂场景下 PointNet 的感知能力较差；

因此作者在 PointNet 的基础上，引入了一个层级神经网络（Hierarchical Neural Network），递归地将 PointNet 应用于点集的嵌套分区，即及将 PointNet 作为基本模块，以分层方式处理在度量空间中采样的每一组点，再将不同分区点集输出的特征输入到下层单元，以此递归产生深层特征；并通过利用空间度量距离，使得网络能够识别图像的局部特征；

由此设计的网络被作者称为 PointNet ++，可用于点云识别和分割；

（三）生成点集的重叠分区：

在欧几里德空间中，每个分区被定义为一个邻域球，其参数包括质心位置和尺度࿱