RandLA-Net

最新推荐文章于 2024-01-11 19:08:24 发布

梨鱼

最新推荐文章于 2024-01-11 19:08:24 发布

阅读量443

点赞数

分类专栏： 3D目标检测论文文章标签：计算机视觉

本文链接：https://blog.csdn.net/xuxiaoxx/article/details/120107498

版权

13 篇文章 3 订阅

订阅专栏

参考：https://zhuanlan.zhihu.com/p/110514163?from_voters_page=true

背景

现阶段很多方法在三维目标识别和语义分割等任务上，仍然局限于非常小的点云上。比如PointNet在处理SDIS数据集都会对数据集进行预处理，将点云切成1mx1m的小点云块。而当切割成比较小块的点云块时，是可能损失整体的几何结构的，而当点云块切割过大时，又会使得算法消耗时间剧增。

当前阻碍大多数方法直接处理大场景的主要原因有三点：

具体详细介绍：https://blog.csdn.net/weixin_41485242/article/details/107150963

Heuristic Sampling
Faster Point Sampling（FPS）： 每次采样都选择离已经采样得到的k-1个点距离最远的点，可以很好保证采样后的点具有较好的覆盖率。但是FPS的复杂度是n^2，时间复杂度过高，不适合用来处理大场景点云。
Inverse Density Importance Sampling（IDIS）： 根据每个点的密度来对其重新排序，尽可能保留密度较低的地方的点，虽然时间复杂度是n，但是IDIS对于噪音也越敏感。
Random Sampling（RS）： 随机降采样均匀从输入的N个点选择K个点，每个点具有相同的被选中的概率，时间复杂度极低。

Learning-based Sampling

Generator-based Sampling（GS）： 通过学习生成一个子集来近似表征原始的点云，但是在推理阶段，为了将生成的子集与原始集进行匹配，通常会使用FPS，导致额外的计算。
Continue Relaxation based Sampling（CRS）：

在这里插入图片描述
因此论文提出了一个新的模型架构，即随机采样互补的局部特征聚合模块，主要包含三个子模块：局部孔径编码（LocSE），attentive pooling，扩张残差块（dilated residual block）。

局部空间编码（Local Spatial Encoding）
此模块用于对输入的点云进行三维坐标信息进行编码操作，使得相对应的点特征提取到局部特征信息，更有利与网络学习点云信息的局部特征。
首先采用KNN算法进行邻近点的提取；
对每一组以 $p_i$
Attentive Pooling
此模块用来将上述单元输出的领域点的特征集进行聚合。现在大多数算法通常采用max/mean/sum pooling来硬性整合相邻特征，导致大部分信息丢失。因此论文采用attentive机制来学习局部特征。
Dilated Residual Block
考虑到输入点云会被持续大幅度的降采样，因此增加每个点的感受野是非常必要的，因为这样能更大程度上保留输入点云的几何空间信息。论文将多个LocSE和Attentive Pooling单元进行堆叠形成一个扩展的dilated residual block。
如下图所示，当经过第一轮的L/A之后，点云的点的数量变成N，每一个点拥有K个邻近点的信息，而在经过第二次L/A之后，通过LocSE的再次信息聚合，剩下的点也就是有了K*K的邻近点信息。

关注