PointNet++点云处理原理
借鉴了多层神经网络的思想
pointnet要么是一个点,要么是所有点进行操作,就不会有局部上下文信息
pointnet++基本思想是迭代地应用到局部区域
1.多级别特征学习
2.旋转不变性
3.置换不变性
选取中心点centroid,通过pointnet学到这个小区域的全局特征
sampling采样:选取centroid (sample centroids)
grouping分组:以centroid为中心,选取局部的点 (group points by centroids)
PointNet:对分组内的点应用pointnet进行特征的学习 (apply PointNet on each point group)
以上过程加起来称作Set Abstraction
PointNet++层次化特征学习的架构
经过两个set abstraction 得到全局特征
分割用到了interpolate(插值),再进行拼接,拼接后再使用pointnet对每一个点进行分类,有点像图像中的encoder+decoder的结构
在PointNet++中,"interpolate"(插值)是一个关键的操作,尤其在它的特征传播(feature propagation)阶段中扮演着重要的角色。
PointNet++采用的插值方法主要用于特征传播阶段,以实现多尺度特征的融合和细节的恢复。在对点云进行分层采样和分组操作后,网络需要在解码阶段将低维度的特征映射回高维度的空间。这一过程中,插值方法就被用来估计非采样点的特征。
具体来说,PointNet++中的插值方法通常指的是最近邻插值或三线性插值:
- 最近邻插值(Nearest Neighbor Interpolation):这种方法将某一点的特征值设置为其最近邻点的特征值。它简单且计算成本低,但可能不够平滑。
- 三线性插值(Trilinear Interpolation):在三维空间中,这种方法基于周围点的特征值通过线性插值计算目标点的特征值,能够生成更平滑的特征映射。然而,点云数据的离散性质意味着这种方法需要适当的调整或替代方案。
实际中,PointNet++常用的是一种加权平均插值方法,其中权重基于点之间的空间距离。例如,在特征传播阶段,可以通过寻找每个上采样点在原始点云中的k个最近邻点,然后基于这些邻点的特征和它们与上采样点的距离,通过加权平均来估计上采样点的特征。
这种插值方法使得PointNet++能够有效地处理不同尺度的点云数据,同时保留更多的空间结构信息,提高了对复杂场景的识别和分类精度。
非均匀采样的密度
小卷积核会受到可变密度的影响,对点云来说,用小的kernel效果不一定好
MSG:同一区域拼接不同半径区域的特征,处理复杂度较高
MRG:不同级别的特征进行拼接
分类结果
分割结果