计算机视觉知识点整理：PointNet++之最远点采样（farthest point sample, FPS）代码理解

最新推荐文章于 2025-03-31 15:48:01 发布
最新推荐文章于 2025-03-31 15:48:01 发布
阅读量3k 收藏 16
点赞数 2
分类专栏： 计算机视觉 PointNet++ 语义分割
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_41780295/article/details/108717324
版权 
# farthest_point_sample函数完成最远点采样：
# 从一个输入点云中按照所需要的点的个数npoint采样出足够多的点，
# 并且点与点之间的距离要足够远。
# 返回结果是npoint个采样点在原始点云中的索引。
def farthest_point_sample(xyz, npoint):
    """
    Input:
        xyz: pointcloud data, [B, N, 3]
        npoint: number of samples
    Return:
        centroids: sampled pointcloud index, [B, npoint]
    """
    device = xyz.device
    B, N, C = xyz.shape
    # 初始化一个centroids矩阵，用于存储npoint个采样点的索引位置，大小为B×npoint
    # 其中B为BatchSize的个数 
    centroids = torch.ze
最低0.47元/天 解锁文章
FPS(farthest_point_sample) 最远点采样并可视化（附open3d python代码）
三维点云技术探索
11-23 1009
最远点采样(Farthest Point Sampling)是一种非常常用的采样算法，由于能够保证对样本的均匀采样，被广泛使用.
PCL 最远点采样 (Farthest Point Sampling)
DevGlider的博客
08-15 611
本文介绍了最远点采样算法（FPS）在点云处理中的应用。通过选择距离已选点集最远的点，FPS 可以构建具有均匀分布的离散点集。我们提供了 Python 实现的示例代码，并演示了如何在输入的点云数据集上应用 FPS 算法。希望本文对您理解和使用最远点采样算法有所帮助。
PointNet++论文复现（二）【最远点采样-球查询-采样和分组 代码详解】
晨的博客
03-24 819
PointNet++论文复现（二）【最远点采样-球查询-采样和分组 代码详解】
3D点云算法PointNet++中最远点采样源码实现及详解
m0_54361461的博客
11-26 1269
最远点采样源码实现及详解
关于点云数据最远点采样的方法分析
琴的博客
03-31 599
PointNet++中的最远点采样方法分析
Pointnet++代码详解：farthest_point_sample函数
weixin_44330777的博客
06-09 1619
FPS farthest_point_sample函数是来自于Pointnet++的FPS(Farthest Point Sampling) 最远点采样法，该方法比随机采样的优势在于它可以尽可能的覆盖空间中的所有点。 最远点采样是Set Abstraction模块中较为核心的步骤，其目的是从一个输入点云中按照所需要的点的个数npoint采样出足够多的点，并且点与点之间的距离要足够远。最后的返回结果是npoint个采样点在原始点云中的索引。 FPS的逻辑如下： 假设一共有n个点,整个点集为N = {f1, f
Pointnet++代码详解（一）：farthest_point_sample函数
weixin_42707080的博客
04-02 6108
初入Pointnet++,看相关源码感觉很费力，想着把自己学到的记下来，避免后面忘记要用到又得重新思考，本系列主要讲解Pointnet++代码，其理论部分大家可以在网上自行搜索相关资料。本系列分析的源码来自：https://github.com/yanx27/Pointnet_Pointnet2_pytorch ...
farthest point sampling
07-25
implement farthest point sampling in matlab
点云处理Python+Open3D实现最远点采样FPS（Farthest Point Sampling）【程序+PDF讲解】
03-29
【点云处理】Python+Open3D实现最远点采样FPS（Farthest Point Sampling） 该方法被用于PointNet++中，对点云进行降采样，此外open3D自身有半径滤波、体素降采样等函数。 讲解为个人整理版本，程序已跑通。
【3D计算机视觉】从PointNet到PointNet++理论及pytorch代码
2401_89790831的博客
01-13 1913
(x,y,z)(x,y,z)(x,y,z)的坐标，当然也可以包括一些法向量、强度等别的特征。这是今天主要讲述的数据类型。点云由很多优势，也越来越受到雷达自动驾驶的青睐。N×DN \times DN×D的矩阵表示 在PointNet出现以前，点云上的深度学习模型大致分为三类（这里不细述）：32×32×3232\times32\times3232×32×32的体素；另外由于体素网格的立方体性质，点云表面很多特征都没有办法被表述出来，因此模型效果差。要想设计好的网络，首先要根据点云的特性来实现特定的网络性能，而P
最远点采样(Farthest Point Sampling)
Bacon_Lee的博客
06-02 3806
简介 以下我们将最远点采样(Farthest Point Sampling)简记为FPS。这种采样方法我觉得非常有趣。个人觉得比随机采样得到的数据能够表现更多的“轮廓性”，其次用的数据集也不像随机采样那么多。首先我们来介绍FPS的算法原理。 算法原理 1. 点与集合的距离 假设S={x1,⋯ ,xN}⊂RnS=\left\{x_1,\cdots,x_N\right\}\subset \mathbb{R}^nS={x1​,⋯,xN​}⊂Rn 中的一个有限点集合。一般情况，这里的nnn等于1，2, 3。点与点的
图解点云深度学习中FPS(Farthest Point Sampling)--最远点采样算法
hbbdafamingjia的博客
06-26 6341
一、回忆Farthest Point Sampling算法过程（建议详细看完） 我们选取一个点云，我们假设整个点集为一共有n个点，来进行算法的讲解。 随机在整个点集中选取一个点作为起始点，并且放入集合中，其中集合B为我们采样后的点集。 计算剩余n-1个点到的距离，并且选择距离最大的点，假设为，并将这个点写入集合。 计算剩余n-2个点距离集合B中的点的距离，并选取最小的距离值假设为，其中假设点为，再计算n-2个点距离集合B中点的距离，并选取最小的距离值假设为，其中假设点为,随后选取和中比较大的值，假设
Farthest Point Sampling on 2d image
十年磨一剑
07-26 8482
Farthest Point Sampling的原理是,先随机选一个点,然后呢选择离这个点距离最远的点(D中值最大的点)加入起点,然后继续迭代,直到选出需要的个数为止 其主要代码如下: %main.m clear options; n = 400; [M,W] = load_potential_map('mountain', n); npoints_list = round(
点采样算法（Farthest Point Sampling, FPS）
weixin_39699362的博客
03-28 1043
远点采样算法（Farthest Point Sampling, FPS）是一种用于点云数据下采样的算法。它的目的是从一个大规模的点集中选择一个子集，使得子集中的点云能够尽可能代表原始点云的形状特征。然而，FPS的一个缺点是计算效率相对较低，因为需要计算所有未采样点到已采样点集的距离，并找出最远点。远点采样算法的优点在于能够保持点云的覆盖范围和形状特征，因为它优先选择那些在几何上较为孤立的点。FPS的基本思想是不断选择当前还未被选择的、距离已选点集最远的点，直到达到预设的点数或者覆盖整个数据集。
最远点采样(Farthest Point Sampling)介绍
热门推荐
dsoftware的博客
07-07 2万+
最远点采样(Farthest Point Sampling)是一种非常常用的采样算法，由于能够保证对样本的均匀采样，被广泛使用，像3D点云深度学习框架中的PointNet++对样本点进行FPS采样再聚类作为感受野，3D目标检测网络VoteNet对投票得到的散乱点进行FPS采样再进行聚类，6D位姿估计算法PVN3D中用于选择物体的8个特征点进行投票并计算位姿。 对于FPS算法的原理，两篇博文：PointNet++的pytorch实现代码阅读，以及 PointNet++详解与代码 已经介绍的非常详细了，一句话概
farthest point sampling - FPS - 最远点采样详解 - 附代码实现
晨的博客
03-10 3602
远点采样（Farthest Point Sampling，FPS）算法是一种在数据点集中有效选择代表性样本点的方法，广泛应用于计算机图形学、机器学习和点云处理等领域。该算法通过迭代方式选取点集中彼此距离最远的点，确保选出的样本点覆盖范围广泛，有效捕捉到数据集的整体结构特征。FPS算法开始时随机选择一个起始点，然后在每次迭代中，选取到当前已选点集距离最远的点作为新的样本点，直至达到预定的样本数量。此方法不仅提高了数据处理的效率，减少了计算负担，还能在进行点云简化、网格重建、特征提取等操作时，保留重要的几何信
最远点采样
twnkie的博客
10-20 437
输入点云首先，需要有一个点云数据作为输入。这个点云可以是从文件中读取的，也可以是程序中生成的。构建K-D树为了快速找到距离已选择点集最远的点，通常会构建一个K-D树（K-Dimensional Tree）。K-D树是一种分割k维空间的数据结构，它允许对点云进行高效的最近邻搜索。选择初始点从输入点云中随机选择一个点作为初始点，或者根据其他标准选择（在PCL中，默认是随机选择，但可以通过设置来改变这一行为）。迭代选择最远点从初始点开始，迭代地选择距离当前已选择点集最远的点。
最远点采样(Farthest Point Sampling,FPS)算法详解
weixin_60737527的博客
10-20 9482
FPS算法详解
Farthest Point Sampling算法实现与优化
weixin_42356162的博客
10-25 1121
本文还有配套的精品资源，点击获取 简介：Farthest Point Sampling（FPS）是一种用于选择代表性子集的点采样算法，广泛应用于几何计算、机器学习和计算机图形学等领域。在MATLAB中实现FPS，需要初始化、计算距离、选取最远点、迭代过程和优化等步骤。本教程将介绍如何通过MATLAB函数、KD树结构和并行化技术来实现和优化FPS算法，以处理大规模点集和提升性...
pointnet++ 最远采样点改进
最新发布
05-03
<think>好的，用户想了解PointNet++中最远点采样的改进方法或实现细节，包括论文和代码相关内容。首先，我需要回顾一下PointNet++的基本结构以及最远点采样的作用。 PointNet++作为PointNet的改进，引入了分层特征学习，其中最远点采样（FPS）用于在点云的不同层次中选择关键点，以更好地捕捉局部结构。用户提到“改进方法”，可能需要了解FPS在PointNet++中的具体实现以及可能的优化或替代方案。 根据引用[3]，PointNet++采用最远点采样和球查询来构建局部区域，解决了PointNet忽略局部特征的问题。引用[4]详细说明了FPS的代码实现，包括点云归一化、计算距离矩阵和迭代选择最远点。此外，引用[2]提到RandLA-Net使用随机采样替代FPS以提高效率，但可能会损失覆盖率。这可能是一个改进方向，但用户更关注的是PointNet++本身的FPS实现，而非替代方法。 需要确认用户是否想知道FPS在PointNet++中的原始实现细节，或者是否有后续研究对FPS进行了改进。根据现有引用，PointNet++本身的FPS是核心方法，而改进可能涉及结合其他方法，如引用[2]提到的RandLA-Net的随机采样，但需要明确说明这是外部改进，并非PointNet++原有部分。 接下来，应整理FPS的算法步骤，如点云归一化、距离计算、迭代选择最远点，并引用相关代码解析（引用[4]）。同时，需要指出FPS的优缺点，以及可能的改进方向，比如结合其他采样策略或优化距离计算效率。 用户还可能关注论文中的具体描述，需要指引到原始论文（引用[3]提到的论文），并说明FPS在层次结构中的作用。最后，确保回答结构清晰，分点说明实现细节、代码要点和可能的改进方向，同时附上相关问题。</think>### PointNet++最远点采样的实现细节与改进方向 #### 一、最远点采样（FPS）在PointNet++中的作用 在PointNet++中，**最远点采样（Farthest Point Sampling, FPS）** 是构建层次化特征学习的核心步骤。其目标是从点云中选取一组具有代表性的关键点，使得这些点尽可能覆盖原始点云的空间分布，从而为后续的局部特征提取（如球查询）提供锚点[^3]。 #### 二、FPS实现细节 1. **算法流程** - **输入**：点云坐标集合（需先进行归一化处理[^4]） - **步骤**： 1. 随机选择第一个点作为初始点； 2. 计算剩余所有点到已选点的最小距离； 3. 选择最小距离最大的点加入已选集合； 4. 重复步骤2-3，直到选取指定数量的关键点。 - **数学描述**： $$ \text{argmax}_{p_i \in P} \left( \min_{p_j \in S} \| p_i - p_j \|_2 \right) $$ 其中$P$为原始点云，$S$为已选点集合。 2. **代码实现关键点** - **归一化**：将点云坐标缩放到单位立方体（如[-1,1]）以提升数值稳定性[^4]； - **距离矩阵优化**：通过广播机制快速计算点与点之间的欧氏距离； - **迭代加速**：使用贪心策略，每次仅需更新到最新选中点的距离[^4]。 ```python def farthest_point_sample(points, n_samples): # points: [N, 3], n_samples: 目标采样数 centroids = [] N = points.shape[0] distance = np.ones(N) * np.inf farthest = np.random.randint(0, N) for i in range(n_samples): centroids.append(farthest) centroid = points[farthest] dist = np.sum((points - centroid)**2, axis=1) mask = dist < distance distance[mask] = dist[mask] farthest = np.argmax(distance) return np.array(centroids) ``` #### 三、FPS的改进方向 尽管FPS能保证空间覆盖率，但其时间复杂度为$O(N^2)$，在大规模点云中效率较低。改进方法包括： 1. **随机采样与FPS混合**：如RandLA-Net[^2]先使用随机采样降低计算量，再局部应用FPS； 2. **并行化加速**：利用GPU并行计算距离矩阵； 3. **近似算法**：使用空间哈希或八叉树加速最近邻搜索。 #### 四、相关论文与代码参考 - **原始论文**： 《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》[^3] - **代码实现**： 官方TensorFlow实现及复现教程（见引用[4]） ---
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值