简介

作者在先前的研究中提出了Pointnet，此论文是Pointnet的改进版Pointnet++。提出改进的理由是因为Pointnet无法很好地捕捉由度量空间引起的局部结构问题，由此限制了网络对精细场景的识别以及对复杂场景的泛化能力。

Pointnet的基本思想是对输入点云中的每一个点学习其对应的空间编码，之后再利用所有点的特征得到一个全局的点云特征。这里欠缺了对局部特征的提取及处理，比如说点云空间中临近点一般都具有相近的特征，同属于一个物体空间中的点的概率也很大，就好比二维图像中，同一个物体的像素值都相近一样。

再者现实场景中的点云往往是疏密不同的，而Pointnet是基于均匀采样的点云进行训练的，导致了其在实际场景点云中的准确率下降。

Pointnet++就上述提出了改进，解决了两个问题

1：如何对点云进行局部划分

2：如何对点云进行局部特征提取

上述两个问题其实是相关联的。

实现细节

层级点云特征学习

点集的特征提取由三部分组成，分别为Sampling layer、Grouping layer、Pointnet layer。

Sampling layer

采样层在输入点云中选择一系列点，由此定义出局部区域的中心。采样算法使用迭代最远点采样方法 iterative farthest point sampling（FPS）。

FPS: 先随机选择一个点，然后再选择离这个点最远的点作为起点，再继续迭代，直到选出需要的个数为止

相比随机采样，能更完整得通过区域中心点采样到全局点云

Grouping layer

目的是要构建局部区域，进而提取特征。思想就是利用临近点，并且论文中使用的是neighborhood ball，而不是KNN，是因为可以保证有一个fixed region scale，主要的指标还是距离distance。

Pointnet layer

在如何对点云进行局部特征提取的问题上，利用原有的Pointnet就可以很好的提取点云的特征，由此在Pointnet++中，原先的Pointnet网络就成为了Pointnet++网络中的子网络，层级迭代提取特征。

点云密度不均匀时的鲁棒特征学习

这里作者解决空间中点云的密度不均匀对特征学习带来的挑战。提出了两种grouping的方法，即如何提取不同尺度的局部patterns并按照局部点的密度去组合它们。称为密度自适应层

Multi-scale Grouping

简单而有效的方式，直接对不同密度的点云特征（通过Pointnet提取后的）进行组合

不同密度的点云是通过对输入点云进行不同概率的dropout得到的

问题是计算量比较大

Multi-resolution Grouping

分两部分，一部分直接用Pointnet从raw points上提取的特征，另一部分是对subregion使用 set abstraction得到的特征的集合。第一部分相当于是一个比较全局的部分，第二部分相当于是一个比较局部的部分，这里用两部分可以很好的控制局部区域的密度。当局部区域的密度比较小的时候，说明局部特征没有全局特征可靠，因此可以增加全局特征的权重。反之也是如此。就相当于权重可以在密度的变化之中可以被学习到。