个人笔记——PointNet++初读

最新推荐文章于 2025-05-18 20:33:41 发布

sunfei05

最新推荐文章于 2025-05-18 20:33:41 发布

阅读量1.6w

点赞数 13

CC 4.0 BY-SA版权

分类专栏： Point Cloud 文章标签： PointNet++

本文链接：https://blog.csdn.net/sunfei05/article/details/80451808

PointNet++是对PointNet的改进，通过分层结构处理局部特征，解决点云数据密度不均的问题。它使用点球模型和FPS算法选择质心，结合MSG和MRG方法适应不同密度区域。网络结构包括Sampling、Grouping和PointNet Layer，用于点云数据的抽象和特征提取。在点的得分计算中，采用插值和回溯方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

在表述PointNet++之前，其实列出题目可以更好的表述这篇paper，PointNet++其实就是PointNet的分层版本，并且顺便解决了由于分层带来的系列问题以及PointNet遗留的问题。

在PointNet中，一个显著的问题是对于局部特征问题的处理，在原PointNet中，对于part segmentation以及scene semantic sparsing，即需要得到每个点的得分时，处理办法是直接将点特征与全局特征结合到一块进行处理，忽略了局部特征这一中间步骤，例如在一个场景中，我们先识别出椅子是椅子，桌子是桌子等这些局部特征，是否在最终对每个点进行分类时，是否会更加准确呢，所以PointNet++采用了分层的结构用于处理局部特征，用论文中的词来描述就是可以更好的处理fine-grained patterns，而在PointNet中，并没有进行分层处理，所以PointNet++对这一部分工作进行了完善。

其次还有一点背景知识是，点云数据的一个特征是数据密度不同，体现出近多远少等问题，而在密度不同的情况下，使用统一的模板处理这些数据显然是不对的，基于此，PointNet++的作者提出了密度适应的网络结构。

而综上，PointNet++的主要就是在PointNet的基础上，加入局部特征提取以及在进行局部分割时，在网络结构中加入密度适应使得分割更加准确合理的处理点云数据的论文，而事实上，论文也就这两个问题展开，当然PointNet++在标准数据集的表现是better than state-of-the-art。

问题1: 如何进行局部划分？

对数据集进行划分，提取局部特征，然后不断抽象，提取更高维的特征，是PointNet++的基本思路，那么首先的问题是如何定义局部，PointNet++给出的解决思路是使用点球模型，从全部数据集中选出若干质心点，然后选取半径，完成覆盖整个数据集的任务。在质心点的选取上，采用的是FPS算法，即随机选取一个点，然后选择离这个点最远的点加入到结果集中，迭代这个过

最低0.47元/天解锁文章

200万优质内容无限畅学