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