PointNet++
Key Knowledgeable:
- Set abstraction:
- 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。 - 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) - 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:
- Sampling layer:
之后采用PointNet进行特征提取
- 分类任务接一个PointNet与若干个全连接层即可。
- 对不均匀采样的鲁棒特征学习
-
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。
-
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。