摘要
PointNet不能提取局部特征，限制了识别细粒度类别的能力以及复杂场景的泛化。
本文基于PointNet的基础上，通过度量空间距离划分不同的嵌套着的点集，再通过层级的PointNet递归地应用到这些嵌套的点集可以学习到不同尺度的局部特征。
关键
-
如何划分点集以及如何从局部点集学习局部信息
-
采样层(Sampling layer)
使用FPS(Farthest Point Sampling)，选出每个子集的中心点。
-
分组层(Group layer)
对每个中心点，找其邻域形成子集，每个点集之间存在重叠(甚至包含),且每个点集点的数量不定
- k近邻
- ballquery：给定球半径k和点上限n，取位于球内的点
-
PointNet layer 提取每个点集特征(局部信息)
-
-
如何处理不同区域点密度不同问题(密度自适应)
在点密度低的地方增大尺度(k)，防止丢失信息
在点密度高的地方减小尺度(k)，捕获更多细节
-
MSG(Multi-scale grouping)
对每个中心点，产生k个不同scale的分组
-
MRG(Multi-resolution grouping)
分层，小尺度提取底层信息，大尺度提取高层信息。将两种信息concate传给网络
-
网络结构
网友评论