点云论文阅读-1-pointnet++

pointnet局限性：不能获取局部结构信息

作者提出pointnet++需要解决的问题：

• 如何生成点云的分区（需要保证每一个分区具有相似的结构，使学习算法的参数在局部共享）
• 如何通过一个局部特征学习算法抽象点云或局部特征

解决方法：

• 局部特征学习算法就是PointNet
• 分区则是选取了在最底层的欧氏空间内由质心（centroid）和尺寸（scale）描述的球形。为了保证整个点云被均匀覆盖，质心的选择应用了farthest point sampling（FPS）算法

难点：

如何确定球的尺寸，类似于如何确定CNN的卷积核尺寸。

作者主要贡献：
利用了多尺度邻域以同时实现鲁棒性和细节获取

在非均匀采样密度下的鲁棒特征学习：两个密度适应网络结构：多尺度分组(MSG)和多分辨率分组(MRG)

1、Multi-scale grouping (MSG) MSG方法如上图左，就是在每一个分组层都通过多个尺度（设置多个半径值）来确定每一个中心点的领域范围，每一个范围都经过PointNet提取特征，再将得到的多个范围的特征concatenate起来，得到一个多尺度的新特征。

 2. Multi-resolution grouping (MRG) 在MSG方法中，每一个中心点都需要多个patch的选取和卷积，计算量大，所以提出了MRG方法。如上图右所示，新特征由两部分concatenate得到，左边特征向量是通过较低层即$L_{i-1}$层经过PointNet提取得到，右边特征向量是对当前层中心点对应的patch进行PointNet得到。当点云密度不均时，可以通过判断当前patch的点云密度给予左右两个特征向量不同的权重。例如，当patch中密度过小，左边特征向量中包含的点更稀疏，容易受到抽样不足的影响，因此提高右边特征向量的权重。