当前位置：首页 > news >正文

PointNet和PointNet++论文解读

news 来源：原创 2024/10/12 23:42:52

一、导言

二、PointNet介绍

三、PointNet网络结构

1、损失函数

2、正则化

四、PointNet++

1、分层次的点集抽象层

一、导言

PointNet来自CVPR2017，是最早直接处理点云数据用于计算机视觉的模型，并运用于分割、检测、场景理解任务，PointNet++来自NIPS2017（这么高产吗？），作为PointNet的改进包括添加了多尺度提取特征等工作，优化PointNet网络架构。

二、PointNet介绍

2017年之前大部分工作都是将3D点云体素化转为多个视角的2D图像，来进行常规的卷积神经网络，而没有直接使用点云进行提取特征。

该论文提出只输入点的坐标信息，考虑通过法向量或者角度信息，来添加更多的维度。

（1）点云无序性解决：使用单一的对称函数，本文使用最大池化层，来解决无序性的问题。通过最大池化层方法可以保证所有点云没有先后顺序，聚合成全局点集特征。

对称函数：

对于无序点云数据 $x_i \in \mathbb{R}^d$ ，定义一组函数 $f: X\rightarrow \mathbb{R}$ ，将点云映射到向量上，其中γ和h为MLP网络。

$f(x_1,x_2,...,x_n)=\gamma(MAX_{i=1,...,n}{h(x_i)})$

（2）特征对齐：考虑到网络预测结果对特定的变换（如刚性变换）具有不变性，提出通过T-Net变换矩阵提取特征并与输入feature进行乘法。

T-Net结构：

T-Net与原特征乘法通道连接：

（3）稳定性：由于模型可以拟合任何连续函数，而对于微小扰动不会影响函数拟合，通过在输入点云中引入一定噪声点，以及删除一定数据来增强网络的鲁棒性，提高预测效果。

三、PointNet网络结构

PointNet网络的主干网络保持不变，对于分类和分割来说有不同的Head，对于分割头有更多不同层的特征进行融入，提高特征多维化。但是这网络特征提取方式过于简单，也造成对于局部的，特定场景的，效果可能有缺陷。

1、损失函数

对于不同问题的损失，均可以表示为特定问题Head的损失加上特征变换矩阵的损失。

（1）分类问题：分类损失交叉熵

（2）分割问题：将分割问题转换为每个点的分类问题，再用交叉熵

（3）特征变换矩阵损失：理想情况下特征矩阵应该是正交矩阵，而实际的特征矩阵可能有所偏差，根据正交矩阵的性质，一定有 $AA^T=I$ ，所以我们将特征变换矩阵损失表示为：

$L_{reg}=||I-AA^T||^2_F$

2、正则化

论文中考虑在第二次使用T-Net时添加正则化，来提高模型鲁棒性。

四、PointNet++

解决了PointNet不能很好地提取局部特征的问题，并进一步提取不同尺度下的特征。

1、分层次的点集抽象层

使用多个点集抽象层（SA层，Set Abstraction）来进行逐层特征提取，差别在于每一个SA模块的采样点和采样数量不一样，会逐层增大。

SA模块包括三个关键层：Sampling Layer、Grouping Layer、PointNet Layer。

（1）采样层：从输入点中使用迭代最远点采样法（FPS）选择一组局部区域质心点。

FPS算法：

首先，从输入点集中随机选择一个点作为第一个采样点。

然后，从剩余点集中选择与已选采样点中最远的点作为下一个采样点

重复第二步，直到采样足够多的点作为中心点。

（2）分组层：通过采样的质心以及邻近点来构造局部区域集。

五、PointNet++网络结构

论文参考1：PointNet
论文参考2：PointNet++

一、导言

二、PointNet介绍

三、PointNet网络结构

1、损失函数

2、正则化

四、PointNet++

1、分层次的点集抽象层

五、PointNet++网络结构

相关文章：