【深度学习——点云】PointNet++

这篇文章发表于NIPS 2017，是在PointNet基础上的工作，论文地址：PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space。

1. Motivation

PointNet处理点云的方式是首先单独对每一个点进行特征映射再使用MaxPooling在所有点特征上提取整体特征，这一过程中缺少对于不同尺度的局部结构特征的提取，使得PointNet难以识别更加细粒度的模式并泛化到更加复杂的情况当中。

CNN在计算机视觉取得的成功已经证明了逐层提取并整合局部特征至全局特征的重要性，PointNet++从这点出发，首先将整个点集分为多个子集，利用PointNet在这些自己上逐层提取局部特征并整合直到得到整个集合的全局特征。

2. Method

2.1 Hierarchical Point Set Feature Learning

相比于PointNet仅仅用一个MaxPooling来从单个点的特征中整合全局特征，PointNet++使用一种层级特征提取方式整合局部特征至全局特征。而为了提取不同尺度的特征，每一层级又包括针对不同尺度的abstraction level，每一个abstraction level包括Sampling Layer、Grouping Layer和PointNet Layer。

Sampling Layer在输入的点集中使用最远点采样（farthest point sampling）采样各个partition的质心，相对于随机采样可以更好地覆盖整个采样空间。