(NIPS 17) PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

最新推荐文章于 2024-03-24 22:37:18 发布

原创

最新推荐文章于 2024-03-24 22:37:18 发布 · 692 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习 #神经网络

PointNet++是对PointNet的改进，主要解决了PointNet在提取局部特征方面的不足，增强了对细节模式的理解。它采用了分层结构，通过多次下采样和局部区域操作来捕获局部信息。此外，为了解决点云密度不均匀问题，PointNet++引入了多尺度分组策略（MSG和MRG），提高了特征学习的鲁棒性。在ModelNet40分类任务中，PointNet++表现优秀，验证了其有效性和适应性。

在这里插入图片描述
PointNet++[1]作为PointNet[2]的续作，着重于解决PointNet[2]没有能够很好的提取局部特征的问题，限制了其对细节图案（fine-grained patterns）的理解，无法泛化至其他复杂的任务场景。通过设计一种层级式（Hierarchical）的结构，对输入点云进行分块，重复使用PointNet[2]结构以增加对局部信息的获取能力。
在这里插入图片描述
整体的网络架构如上图所示，流程相对简洁，对于输入点云，设计一种层级式架构进行特征提取。

Hierarchical Point Set Feature Learning

PointNet[2]使用MLP+Pooling operation对整体输入点云进行一次性特征描述，并没有能够较好的做到细节部分的处理，因此PointNet++[1]采用层级聚合式操作不断扩大感知区域。
如上图左侧所示，这里只以分类网络为例，首先通过FPS最远点采样进行下采样，采样点即为centroids，接着进行ball query操作以生成局部球形领域，接着使用PointNet[2]也即MLP操作进行特征升维操作。以上操作进行2次，第三次时直接对剩下的所有点进行MLP+Maxpooling操作得到global vectors，接着再使用MLP生成对应的分类概率即可。