超级会员免费看
PointNet++通过递归局部划分和特征提取，解决PointNet在捕获点云局部特征上的不足。它使用最远点采样进行区域划分，通过Set Abstraction模块进行采样、分区和特征提取，并引入MSG和MRG解决点云密度不均衡问题，增强网络的鲁棒性。实验表明，PointNet++在稀疏点云处理和多尺度特征融合方面表现出色。
如有错误，恳请指出。
文章目录
paper：《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》
1. 背景
PointNet作为直接以点云格式数据为输入的开创性网络，还存在需要改进的地方。曾经提及到，PointNet考虑到了全局性特征的方向拼接处理，但是忽视了点云局部特征的捕获。以CNN为例，通过递归性的卷积提取图像的局部特征，以实现在深层次中获得较大的感受野。那么，对于点云数据来说，也可以进行递归性提取局部特征，捕获点云的细粒度特征。为此PointNet++的主要思想就是，对点云继续局部划分然后进行局部性特征提取，随后再进行局部划分点云数据再对每个部分进行特征提取，从而实现层级性的特征提取操作。不断重复这个过程，直到获得整个点云的特征。
在这个基本的思路构造中存在两个待解决的问题：
1）如何划分点击局部区域：最远点采样，以局部质心构造一个半径
2）如何提取局部区域特征：对每个局部区域进行PointNet特征提取
除此之外，点云密度一般是不均衡的，这种不均衡的点云数据容易影响网络性能。比如想要捕获一个比较稀疏的局部特征时&#x
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
