PointNet++

PointNet++

Key Knowledgeable：

1. Set abstraction：
   1. Sampling layer：
      根据曼哈顿距离进行farthest point sampling (FPS)，选取N’个中心点，输入N个点的点集，输出N’个中心点。
   2. Grouping layer：
      对每个中心点选取K个最近的点作为一个点集，输入N’个中心点，输出N’×K个点，每个点有d+C个信息（坐标信息和特征信息）
   3. PointNet layer
      对一个分组的坐标信息进行变换，捕获局部区域内的点对点关系：
      

之后采用PointNet进行特征提取

2. 分类任务接一个PointNet与若干个全连接层即可。
3. 对不均匀采样的鲁棒特征学习

   1. Multi-scale grouping (MSG).
      对每个中心点使用不同大小的半径同心球寻找规模不同的局部邻域，分别对这些局部邻域提取特征，并将所有特征拼接。
      

   2. Multi-resolution grouping（MRG）
      在PointNet提取特征的基础上保留上一层set abstraction的特征，并根据区域的疏密对两部分特征进行加权
      

Contrast vs PointNet：

解决了PointNet对每个点单独处理再无脑maxpooling使得不同规模上捕捉局部上下文的能力缺乏的问题。