【点云分类和分割】简述PointNet和PointNet++的理解

Hello大家好，最近阅读了PointNet和PointNet++两篇论文，本人觉得这是点云方向入手的比较简单的入门论文，下面阐述一下自己对这两篇论文的理解
一、首先点云是非常重要的三维数据结构，但是其有着非常特殊的性质，不规则性和无序性。所以很多研究人员通常都是研究3D体素网格或者图像集合为输入，但是PointNet算是第一个直接以点云为输入的网络结构。

二、PointNet这篇文章的主要贡献我认为还是主要解决了其点云排序无序性的问题，实现了置换不变性，论文里面还解决了几何不变性，就是在点云进行旋转，平移时的问题。它里面还使用了一个很巧的结构，就是maxpooling，并且使用了共享的MLP，用来实现其排序不变性。

三、PointNet这篇论文的主要结构比较简单，大致就是以点云的坐标为输入，为了防止丢失一些关键点的信息，所以先利用多层感知器对其进行一个升维的操作，然后利用最大池化得到一个global feature，然后用于分类和分割，分割的时候它结合了一下局部的特征，因为分割需要分割出场景的每一个点，所以只利用全局特征是分割不出来的。

四、PointNet的一些实验主要是针对分类和分割做的，它主要对比了网格与体素的一些常规方法，相比于这些有一定的提升。


它还测试了一些其他解决排序不变性的方法与max pooling进行对比，并且做了一个关于T-Net网络的消融实验。

实验表明，原始结构是最好的结果。
五、PointNet++是在PointNet的基础上添加了一个Set abstraction的结构，用于提取点的邻域信息，在分割的时候，首先利用距离加权权重的方法，通过上采样将其点云进行还原，与之上一分辨率的点云进行拼接，不断重复，达到一个原始的分割情景。
对于集合抽象层的分组设计，论文中主要体现了两种方法，MSG和MRG，这两种方法大大提升了准确率，并且设计的也比较简单。
以上就是本人对两篇点云分类和分割初级入门论文的理解，如有不对，请多多指正！！！