PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space總結(jié)

文章鏈接

摘要

? PointNet不能提取局部特征，限制了識別細(xì)粒度類別的能力以及復(fù)雜場景的泛化。

? 本文基于PointNet的基礎(chǔ)上，通過度量空間距離劃分不同的嵌套著的點(diǎn)集，再通過層級的PointNet遞歸地應(yīng)用到這些嵌套的點(diǎn)集可以學(xué)習(xí)到不同尺度的局部特征。

關(guān)鍵

  1. 如何劃分點(diǎn)集以及如何從局部點(diǎn)集學(xué)習(xí)局部信息

    1. 采樣層(Sampling layer)

      使用FPS(Farthest Point Sampling)，選出每個(gè)子集的中心點(diǎn)。

    2. 分組層(Group layer)

      對每個(gè)中心點(diǎn)，找其鄰域形成子集，每個(gè)點(diǎn)集之間存在重疊(甚至包含),且每個(gè)點(diǎn)集點(diǎn)的數(shù)量不定

      • k近鄰
      • ballquery：給定球半徑k和點(diǎn)上限n，取位于球內(nèi)的點(diǎn)

    3. PointNet layer 提取每個(gè)點(diǎn)集特征(局部信息)

  2. 如何處理不同區(qū)域點(diǎn)密度不同問題(密度自適應(yīng))

    在點(diǎn)密度低的地方增大尺度(k)，防止丟失信息

    在點(diǎn)密度高的地方減小尺度(k)，捕獲更多細(xì)節(jié)

  1. MSG(Multi-scale grouping)

    對每個(gè)中心點(diǎn)，產(chǎn)生k個(gè)不同scale的分組

  2. MRG(Multi-resolution grouping)

    分層，小尺度提取底層信息，大尺度提取高層信息。將兩種信息concate傳給網(wǎng)絡(luò)

  3. 網(wǎng)絡(luò)結(jié)構(gòu)

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時(shí)請結(jié)合常識與多方信息審慎甄別。
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點(diǎn)，簡書系信息發(fā)布平臺，僅提供信息存儲服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容