点云深度学习方法

目录

1.数据特征

1）xyz位置坐标形成的空间结构

2）反射强度

2.数据挑战

1）不规则性

2）非结构性

3）不完整性

3.点云深度学习方法

PART1  -- 间接方法 

1）基于体素

2）基于投影(包括多视图)

PART2  -- 直接方法 

邻域搜索

边卷积(EdgeConv)公式

1）PointNet And PointNet++

2）基于图的方法

---

这篇博客是对点云深度学习方法的一个简单总结，之后会继续修改，欢迎指正。

参考博客：

基于点云的深度学习方法综述_视觉先锋的博客-CSDN博客_点云深度学习方法【图卷积做点云分割】简述对AGNet的理解_YXLiu_XMYang_PCSS的博客-CSDN博客_图卷积点云

1.数据特征

1）xyz位置坐标形成的空间结构

2）反射强度

按照强度的灰白颜色渲染：

2.数据挑战

1）不规则性

由于设备和使用方式等的不同，采集到的点云密度不相同，一个点云中的不同区域也不相同。

2）非结构性

点云不同于图像数据，图像数据按照栅格矩阵排列，是结构化的数值。而点云作为空间中离散的点，没有固定的结构用来计算，同时采集点云过程中可能产生一些随机的噪声点，必须通过某种手段去除这些噪点。

3）不完整性

由于物体遮挡，采集到的点云可能不完整。天气也会对点云产生影响，雨雾天气对lidar采集点云数据产生的影响较大。

3.点云深度学习方法

PART1  -- 间接方法 

将非结构化的点云通过某种方式变成结构化的数据，接着就可以使用传统图像领域积累的大量方法进行学习。

1）基于体素

首先对点云建立体素，以体素近似代表点云形成结构化的数据，然后对结构化的三维数据应用3D卷积，3D-GAN等常见的深度学习方法。

2）基于投影(包括多视图)

用投影的办法，将点云转化成栅格图片，由于点云是三维坐标，因此可以从多个视角投影到栅格，进而再使用2D图像上的方法进行学习和融合。

Multi-View Convolutional Neural Network(MVCNN)：

PART2  -- 直接方法 

邻域搜索：

K近邻、半径搜索等

边卷积(EdgeConv)公式：

一种聚合节点信息的方法

：参数表示节点i和与节点i相连的节点j，不同方法中的参数有所不同

 ：Θ表示c'*c维的矩阵(类似图像卷积的卷积核)，参数X的节点特征维度为c，矩阵乘法Θ*X将使特征维度变为c'维，然后经过一个RELU激活的MLP(全连接层)

：聚合函数，可以是sum/avg/min/max 

 经过一次边卷积后，每个节点将融合与之连接点的信息，特征维度将变为a维。该公式可以   广泛表达下述方法。

1）PointNet And PointNet++

PointNet：

PointNet创造性的提出直接针对点云的深度学习方法。

对于PointNet，边卷积表示为 --

由于PointNet没有考虑邻域节点之间的联系，的参数只有Xi。

PointNet特征提取架构(每个节点单独经过共享参数的边卷积)：

完整的PointNet架构：

PointNet++：

针对PointNet没有考虑领域节点的联系，改进并诞生了PointNet++。

对于PointNet++，边卷积表示为 --

考虑了领域节点信息的PointNet++，为和矩阵的concate，其中Xj代表邻域节点j，Xj-Xi代表节点i与邻域节点的相对距离。

PointNet++特征提取架构：

完整的PointNet++架构：

2）基于图的方法

点云可以连接边从而构成图论中的图，因此，基于图的方法有很大的优势，只要对点云连边建立一个图，就可以使用一般的图卷积神经网络方法。

DGCNN (Dynamic Graph CNN)

DGCNN采用K近邻搜索，建立Graph。特别的，搜索是在特征空间上进行的，在进行边卷积后，特征空间将变成公式中的c'维，在每一次边卷积后神经网络将动态搜索邻域建立Graph，使得神经网络拥有了更进一步的自我调整能力，这也是DGCNN名字的由来。

DGCNN的边卷积表示为 --

其中Xi代表节点i，Xj-Xi代表节点i与邻域节点的相对距离,采用了共享参数的MLP，将自己以及邻域的信息相加后再用一个最大池化层选择K条中的一条信息。

 为什么DGCNN使用K近邻搜索？

 因为MLP层共享的缘故，所以需要使图中每个节点的度数相同。

完整的DGCNN架构：

其它思考：

添加注意力机制，如可以将MaxPooling替换成注意力，也就是图卷积中的AG-Net