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