《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》剖析笔记

PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

以前很少有人研究深度学习在点集中的应用。PointNet是这方面的先驱。然而，PointNet并不能捕捉到由度量（metric）空间点所产生的局部结构，从而限制了它识别分类精密模型（fine-grained patterns）和对复杂场景的通用性。在PointNet++中，我们引入了一个递归地将PointNet应用于输入点集的嵌套分区的层次神经网络。通过度量空间距离，我们的网络能够在增长的上下文尺度中学习局部特征。进一步观察到，点集采样通常是不同密度的，这导致训练在均匀密度下的网络性能大大降低，我们提出了新的集学习层，自适应地结合来自多个尺度的特征。实验表明，我们的PointNet++网络能够高效、鲁棒地学习深度点集特性。特别是，在具有挑战性的3D点云基准测试中，获得了明显优于最先进水平的结果。

前言

更多论文知识点总结与论文解析请戳 Github
图网络研究交流QQ群：832405795

背景

• FPS 最远点采样法：Farthest Point Sampling 的原理是先随机选一个点,然后选择离这个点距离