2025年pointnet++网络（pointnet++网络原理）

科技前沿 • 2025-06-01 17:50 • 阅读 34

大家好，我是讯享网，很高兴认识大家。

点云深度学习系列一： PointNet 和 PointNet++

 输入是包含 n 个点的三维点云（ nx3) , 原始数据通过一个 3D 空间变换矩

讯享网

阵预测网络 T-Net(3) ，估计出 3x3 的变换矩阵 T(3) 并作用在原始数据上，实现数据的对齐。对齐后的数据会以点为单位，通过一个共享参数的双层感知机模型进行特征提取。每个点提取出 64 维的特征，再通过特征空间变换矩阵预测网络 T-Net(64) 预测 64x64 的变换矩阵，作用到特征上，实现对特征的对齐。然后继续利用三层感知机（ 64,128,1024 ）进行以特征点为单位的特征提取，直到把特征的维度变为 1024，继而在特征空间的维度上进行 Max Pooling ，提取出点云的全局特征向量。 PointNet++ （PointNet++ ： Deep Hierarchical Feature Learning on Point Sets in a Metric Space ）文章要解决的两个问题

怎么划分这个点云集合采用 Farthest Point Sampling （FPS）算法，原理 : 先随机选一个点 , 然后呢选择离这个点距离最远的点加入起点 , 然后继续迭代 , 直到选出需要的个数为止。（ Sampling layer ）采用 Ball query 分组算法，原理 : 给定中心点，把给定半径内的点都包括进来，同时给定邻居点个数。相比 KNN，Ball query 保证了一个固定的区域尺寸，所以比 KNN更加 geralizable across space ，更适合于需要局部特征的任务。（ Grouping layer ）
怎么组合点云集的局部特征 local region 中的坐标首先被转换到相对于中点的坐标系中，使用相对坐标系，我们可以捕获到局部区域中点到点的关系。使用 PointNet 作为局部特征学习器作为一个基础的结构部件， PointNet 要在局部点集中抽取特征，或者把特征组合成更高层表示，所以 PointNet++ 递归地使用 PointNet 在一个嵌套划分的输入点云集合上。（ PointNet layer) 但是存在采样不均匀密度的问题。在低密度的地方可能会丢失局部信息，所以还需要增大尺度，所以提出了 density adaptive PointNet layers 。主要采用以下两种方式解决： Multi-scale grouping (MSG) ：每个尺度使用 PointNet ，然后将多尺度特征融合到一起。但是计算量比较大。 Multi-resolution grouping (MRG) ：MRG特征由两个向量组成，左边的使用区域抽象层汇总每个子区域的特征，右边的使用 PointNet 直接处理所有原始点数据。当局部区域密度低时，左边的特征不如右边的可靠，因为它包含更加稀疏的点，并且更多收到了采样的影响。另一方面，当时局部区域密度高时，左边的向量提供了更精细的细节信息，因为它具有在较低层次递归地检查更高分辨率的能力。整体框架 set abstraction: 主要分为上面提到的 Sampling layer 、Grouping layer 和 PointNet layer 通过多个 set abstraction ，最后进行分类和分割：分类：将提取出的特征使用 PointNet 进行全局特征提取。分割： NL-1

2025年pointnet++网络（pointnet++网络原理）

相关推荐