pointnet分割自己的点云数据_三维点云分类与分割-PointNet++

一, PointNet存在的问题和作者的改进

pointnet只是简单的将所有点连接起来，只考虑了全局特征，但丢失了每个点的局部信息，如下图（以点云分割为例）：

改进方法:

1)利用空间距离（metric space distances），使用PointNet对点集局部区域进行特征迭代提取，使其能够学到局部尺度越来越大的特征。

2)由于点集分布很多时候是不均匀的，如果默认是均匀的，会使得网络性能变差，所以作者提出了一种自适应密度的特征提取方法

二.网络结构:

2.1 针对局部特征提取的设计思路:

PointNet++需要解决两个关键的问题：第一，如何将点集划分为不同的区域；第二，如何利用特征提取器获取不同区域的局部特征。pointnet++使用了分层抽取特征的思想，把每一次叫做set abstraction。分为三部分：采样层、分组层、特征提取层。 其中采样层和分组层解决第一个问题, 特征提取层解决第二个问题

1). 采样层(Sample layer)

首先来看采样层，为了从稠密的点云中抽取出一些相对较为重要的中心点，采用FPS（farthest point sampling）最远点采样法，这些点并不一定具有语义信息。当然也可以随机采样；文中提到相比于随机采样，这种方法能更好的的覆盖整个点集。具体选择多少个中心点，数量怎么确定，是由人来指定的。

2).组合层(Grouping layer)

在上一层提取出的中心点的某个范围内寻找最近个k近邻点组成patch；这一层使用Ball