【阅读整理】PIG-Net: Inception based Deep Learning Architecture for 3D Point Cloud Segmentation

目录

主干目录

已有研究工作扫盲（Related work）

本文主要工作简介（Introduction）

点云分割（3. 3D Point Cloud Segmentation）

 实验具体实施（4 Experiment and result）

消融实验

Conclusion

---

原文：https://arxiv.org/pdf/2101.11987.pdf

主干目录

3. 3D Point Cloud Segmentation
3.1. Convolutions on Point Clouds
3.2. Inception module
3.3. Global average pooling (GAP)
3.4. Implementation details
3.5. Performance evaluation
4. Experiments and Results
4.1. Data augmentation
4.2. Datasets
4.3. ShapeNet-part
4.4. PartNet
4.5. Ablation Study
        4.5.1. Alternative Network Architecture
        4.5.2. Robustness test
        4.5.3. Time and Space Complexity

浏览目录之后存在问题：

1、所提出的算法的组合结构？算法效果怎样？

2、证明算法有效性的消融实验是怎么做的？

3、算法适合使用的数据范围有什么样的限制？

---

---

已有研究工作扫盲（Related work）

1、Handcrafted feature learning

        传统的工作依赖于从3D对象中手工提取特征来完成特定的数据处理任务。

        点特征方法捕捉物体的形状、点的固有几何特性，并对某些变换具有不变性。目前广泛使用的特征描述符可以分为签名描述符、直方图描述符和基于变换的描述符。

        基于签名的描述子如normal aligned radial feature (NARF)和normal based signature (NBS)在距离图像中很受欢迎。

        基于直方图的描述符如自旋转图像、形状上下文、旋转投影统计(RoPS)、三维尺度不变特征变换(SIFT)和快速点特征直方图(FPFH)是多视图图像和点云组合中常用的描述符。

        基于变换的描述子如3D加速鲁棒特征(SURF)和光谱描述子如拉普拉斯-贝尔特拉米算子(LBO)、热核特征(HKS)、尺度不变的HKS (SIHKS)、波核特征(WKS)、改进的WKS (IWKS)以及度量张量和Christoffel克里斯托费尔符号已广泛用于网格和点云。

        特征提取后，直接使用这些特征或采用patch clustering或feature encoding等方法对这些特征进行机器学习。然而，选择最优的手工制作的特征是不平凡的和高度数据特定的任务，因为这些方法往往是基于特定的先验假设和三维对象

2、Deep feature learning

        在PointNet中，作者使用(x;y;z)点的坐标作为输入特征，利用多层感知器(MLPs)进行分类和分割。这些特性使用max pooling 进行聚合，形成全局特性。该网络学习通过一组稀疏的关键点来总结输入点云，这些关键点大致对应于对象的骨架。限制是，该体系结构不能捕获由度量引起的局部结构。利用这种局部结构已经被证明是卷积结构成功的重要因素。因此，作为对该网络的扩展，pointnet++的作者提出了一种分层特征体系结构，通过采用max pooling有效地学习。但这两种网络都依赖于最大pooling来聚合局部和全局特征。

        ... ...         

        为了克服PointNet++和Kd-Net的问题，SONet[73]的作者提出了一种置换不变体系结构。建立了自组织地图(SOM)来模拟输入点云的空间分布。从个体点和SOM节点中提取层次特征。对于三维物体的分割，将全局特征向量直接展开并与归一化后的点连接起来。但S