PointNet 算法结构

在这里插入图片描述

PointNet 原理解析

已知：
N个点，每个点的信息x,y,z。
MLP: MLP(Multi-Layer Perceptron)，即多层感知器，是一种趋向结构的人工神经网络，映射一组输入向量到一组输出向量。
简单的可以用全连接网络实现，复杂的可以用卷积网络实现。
在这里插入图片描述

原理

（1）第一步 MLP

对每个点进行MLP操作，即：3~> MLP(3,C1) ~>C1其中3、C1是MLP的输入和输出维度，此时这个点的特征数由原来的3变成了C1 。
将点云的每个点都经过以上操作，得到：N * 3~>MLP(3 * N,C1) ~>N * C1
在这里插入图片描述

小结：没个点的特征由3变成了64，又称超维特征、冗余特征。

（2）第二步 Max Pool

将MLP得到的结果进行max pool操作，max pool的目的是为了：pointNet网络改变点的输入顺序不会影响最终输出的结果。
MLP得到的结果可以看作是N * C1的矩阵，max pool操作是对N * C1矩阵的C1列进行max操作，得到1 * C1的矩阵。即N * C1~>1 * C1 。
在这里插入图片描述
小结：max pool 是pointNet的算法核心。mean或min也能做到但max更好。

（3）第三步分类器（分类任务）

将max pool的结果经过一个分类器，得到最后的分类结果，pointnet网络的作用是点云的分类。分类器一般用MLP网络来实现。
在这里插入图片描述

算法概括：PointNet = shared MLP + max pool

（1）PointNet考虑到了全局性特征的方向拼接处理，但是忽视了点云局部特征的捕获。
（2）PointNet本身已经具备对点云的全局特征提取能力。
在这里插入图片描述

PointNet 网络输入输出Shape

可以看作，网络输入是具有C1维度特征的n个点，网络输出是具有C2特征维度的1个点，即：n1C1 ~> 1C2
tensor(B,n,C1) ~> tensor(B,1,C2)，其中B为批数batch

分割任务

分割：将每个点进行分类，就可以做分割操作！！
网络结构：全局特征+每点自身的高纬度特征 ~> 分类器
在这里插入图片描述

PointNet++ = 局部特征提取（以set abstraction为单位） + PointNet + 分割任务+分类任务

优秀参考文献

从PointNet到PointNet++理论及pytorch代码
PointNet++详解与代码
基于PyTorch实现PointNet++

PointNet++ 网络结构

在这里插入图片描述

要弄清楚的几个问题

PointNet不足之处？
PointNet存在的一个缺点是无法获得局部特征，这使得它很难对复杂场景进行分析。
在PointNet中，网络对每一个点做低维到高维的映射进行特征学习，然后把所有点映射到高维的特征通过最大池化最终表示全局特征。对点云数据做平移操作后，所有的数据都将发生变化，导致所有的特征，全局特征都不一样了。对于单个的物体还好，可以将其平移到坐标系的中心，把他的大小归一化到一个球中，但是在一个场景中有多个物体时则不好办，需要对哪个物体做归一化呢？
PointNet++的改进？
PointNet++中，作者通过两个主要的方法进行了改进，使得网络能更好的提取局部特征。
第一，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。
第二，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（MSG、MRG）。通过以上两种方法，能够更高效的学习特征，也更有鲁棒性。
如何实现局部特征提取？
在PointNet++中局部特征提取的过程和CNN网络的特征提取过程类似，首先提取低级别的特征，随着感受野的增大，提取的特征level越来越高。
实现局部特征提取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。这两个问题实际上是相关的，要想通过特征提取器来对不同的区域进行特征提取，需要每个分区具有相同的结构。这里同样可以类比CNN来理解，在CNN中，卷积块作为基本的特征提取器，对应的区域都是（n, n）的像素区域。而在3D点集当中，同样需要找到结构相同的子区域，和对应的区域特征提取器。
PointNet++算法中，作者使用了PointNet作为特征提取器，另外一个问题就是如何来划分点集从而产生结构相同的区域。作者使用邻域球来定义分区，每个区域可以通过中心坐标和半径来确定。中心坐标的选取，作者使用了最远点采样算法算法(FPS) 来实现。
鉴于点集分布很多时候是不均匀的情况，如何实现自适应密度的特征提取方法（MSG、MRG）？

参考文献
【1】https://blog.csdn.net/cg129054036/article/details/105545895

要弄清楚的几个概念

FPS
DP
SSG
MSG
MRG
sampling
grouping
sa、set absraction
PointNet
CNN的多层感受野的思想
MLP

set abstraction layers

每一组set abstraction layers主要包括3个部分：

Sample layer：主要是对输入点集进行采样，选出若干个中心点。
Grouping layer：利用上一步得到的中心点将点集划分成若干个区域。
PointNet layer：是对上述得到的每个区域进行编码，变成特征向量。

采样（最远点采样FPS）

结果：点数发生变化，，特征数通道数不变。N（源点集点数）~> N1（采样后点集点数），这些采样点被称为源点集的中心点centroids。
输入输出shape：tensor(B,N,C) ~> tensor(B,N1,C)，其中B为批数batch，N、N1是采样前后点数，C是每个点的特征数。
函数简介：

def farthest_point_sample(xyz, npoint):""" Input:xyz: pointcloud data, [B, N, C]npoint: number of samplesReturn:centroids: sampled pointcloud data, [B, npoint, C]"""

在这里插入图片描述

Grouping layer

在源点集，人工设定半径r，以每个采样点为球心画球，目的是分组。为了方便batch操作，每一个局部区域内的点的数量是一致的，都为K，如果某个圆内的点的数量小于K, 则可以重复采样圆内的点，达到数量K；如果某个区域内的点的数量大于K, 则随机选择K个点，即可。group操作得到的结果如下图所示，可以形成很多小的局部区域。
在这里插入图片描述

sample and group 函数简介

输入输出shape：tensor[B, N, 3] ~> tensor[B, npoint, nsample, 3] ，或者 tensor[B, N, D] ~> tensor[B, npoint, nsample, 3+D]

def sample_and_group(npoint, radius, nsample, xyz, points, returnfps=False):"""Input:npoint:radius:nsample:xyz: input points position data, [B, N, 3]points: input points data, [B, N, D]Return:new_xyz: sampled points position data, [B, npoint, nsample, 3]new_points: sampled points data, [B, npoint, nsample, 3+D]"""

局部特征提取层 PointNet layer

输入输出shape：tensor(B, M, K, C0) ~> tensor(B, M, C)
过程：
经过了sample和group操作，整个大点云被分成了很多个有overlap的小点云, 整个完整点云可表示为shape=(B, M, K, C0)的tensor, B表示批数，M表示中心点的数量, K表示每个中心点的球邻域内选择的点的数量, C0是特征维度, 初始输入点特征维度C0=3或C0=6(加上normal信息)。接下来就是利用PointNet对每个group点云(shape=(K, C0))进行特征提取，得到当前group点云的特征F(shape=( C )。每个group点云(K, C0)经过PointNet得到特征F©，那么一个batch的数据shape=(B, M, K, C0), 经过PointNet模块后, 将会得到维度为(B, M, C)的特征。

set abstraction

源点云tensor(B, N, C0) ~> sapling andgrouping ~> tensor(B, M, K, C1) ~> 每个group区域通过PointNet进行特征提取 ~> tensor(B, M, C1)
上面就是一次set abstraction操作了，PointNet++是有3次set abstraction操作的：

第一次： (B, N, C0) ~> (B, M1, C1) , 其中C0 = 3 或 C0=6(加上normal信息)；
第二次： (B, M1, C1+3) ~> (B, M2, C2)，其中加了3, 这是在学到特征的基础上又加了位置信息(x, y, z)；
第三次:：(B, M2, C2+3) ~> (B, C3) ；

注意： 这里有一个细节问题, 可以看到C1和C2后面都加了3, 这是在学到特征的基础上又加了位置信息(x, y, z), 重新作为新的特征来送入PointNet网络。
示意图1

PointNet++中的分类任务

在提取了点云的特征(C3,)之后, 接下来就和图像里的分类任务一样了，C3维的特征作为输入，然后通过通过两个全连接层和一个分类层(分类层的是输出节点等于类别数的全连接层),输出每一类的概率。损失函数采用的是交叉熵损失函数，对应PyTorch中的nn.CrossEntropy() 。

PointNet++中的分割任务

分割任务需要对点云中的每个点进行分类，而PointNet++中的set abstraction由于sampling操作减少了输入点云中的点的数量，如何进行上采样使点云数量恢复输入时的点云数量呢?
在图像分割任务中，为了恢复图像的分辨率, 往往采用反卷积或者插值的方式来操作呢, 在点云中该如何恢复点云的数量呢?
其实，在PointNet++中的set abstraction模块里，当前点云Q和下采样后的点云Q’的中的点位置信息一直是保存的，点云的上采样就是利用了这一特性。这里利用二维图直观的解释一下，下方左图中红色的倒三角形表示下采样后的点云Q’, 蓝色的点云表示下采样之前的点云Q, 点云里的上采样就是用PointNet学习后的点云Q’的特征表示下采样之前点云Q的特征。采用的方式是k近邻算法，论文中k=3。如图所示，对于Q中的每一个点O，在Q’中寻找其最近的k个点，基于距离加权(距离O近，其权重大; 距离O远, 其权重大)求和这k个点的特征来表示点O的特征，具体计算方式为:
在这里插入图片描述
上采样得到了C’维的特征, 而且点的数量已经恢复到了下采样之前的数量; 将C’维的特征与set abstraction中相同点数量的点云(对称位置)特征(C维)进行进行concat操作，进而进行多个 Conv1d + Bn + ReLU操作，来得到新的特征。
经过三次上采样操作后，点云恢复了初始输入点云中点的数量, 再经过一次conv1d + bn + relu层和一个对点的分类层，最终得到对每个点的分类。如下图：
在这里插入图片描述

SSG、MSG, MRG架构

上述文章主要介绍了PointNet++的SSG(single scale grouping), 为了解决点云中密度分布不均匀的问题，作者提出了MSG(multi-scale grouping)和MRG(multi resolution grouping). 下面这张图是作者论文里的图(在ModelNet40数据集上的实验), 测试了PointNet, SSG, MSG, MRG的性能，横坐标表示的是在预测时点云中点的数量，纵坐标表示的是准确率。从图中可以看到, 在点的数量较多时，SSG, MRG, MSG性能相近，明显高于PointNet; 但随着点云中的点的数量下降，准确率明显下滑的有两条线，有轻微下降趋势的有四条线。明显下滑的两条线是没有采取DP策略的。即使是PointNet网络在采取了DP策略后，其性能在点的数量小于600也会明显高于SSG.。由此可见，DP在解决点云密度不均匀时发挥了重要作用, 而MSG, MRG貌似显得没那么重要 ? 这里就简单介绍一下MSG的思想。
点云分布不一致时，每个子区域中如果在生成的时候使用相同的半径r，会导致有些区域采样点过少。

作者提到这个问题需要解决，并且提出了两个方法：Multi-scale grouping (MSG) and Multi-resolution grouping (MRG)。下面是论文当中的示意图。MSG、MRG详细讲解请参考https://blog.csdn.net/cg129054036/article/details/105545895
在这里插入图片描述
MSG、MRG详细讲解请参考https://blog.csdn.net/cg129054036/article/details/105545895

在这里插入图片描述
MSG是指在每次Set Abstraction的时候, 在对某个中心点centroid进行group操作的时候采用不同尺寸(例如0.1, 0.2, 0.4, SSG只有0.2)的半径, 来得到不同大小的局部区域，分别送到不同的PointNet网络中，最终把这些学习到的不同尺度的特征进行concat操作来代表当前中心点centroid的操作。

参考

点云如何数据增强 ?

点云不同于图像，图像中有随机裁剪、缩放、颜色抖动等数据增强方式。在点云里，应该如何做数据增强呢?
点云的数据增强主要包括: 随机旋转，随机平移，随机抖动等, 具体实现代码参考: https://github.com/zhulf0804/Pointnet2.PyTorch/blob/master/data/provider.py
参考

DP有什么用，是怎么实现的 ?

DP指的是在训练时随机丢弃一些输入点(DP means random input dropout during training)，这样的训练方式对于预测低密度点云较为有效(相对于输入点云), 即在高密度点云中训练的模型，在低密度点云中进行预测，可以达到和训练集中旗鼓相当的效果。具体来说，人工设置超参数p(论文中p=0.95), 从[0, p]中随机出一个值dr(drouout ratio), 对于点云中的每一个点，随机产生一个0-1的值, 如果该值小于等于dr则表示该点被丢弃。这里有一个细节，某些点被丢弃之后，每个batch中的点的数量就不相同了，为了解决这个问题，所有被丢掉的点使用第一个点代替，这样就维持了每个batch中点的数量相同。
参考

PointNet++中的Tensor变化过程

骨干网络tensor结构

Input data
tensor(B, N, 6)
->
Set Abstraction.sample
input tensor(B, N, 6)
output tensor(B, 512, 3)
->
Set Abstraction.group
input tensor(B, 512, 3)
output tensor(B, 512, 32, 6)
->
Set Abstraction.PointNet
input tensor(B, 512, 32, 6)
output tensor(B, 512, 32, 128)
->
max Pooling
input tensor(B, 512, 32, 128)
output tensor(B, 512, 128)
->
Set Abstraction.sample
input tensor(B, 512, 128)
output tensor(B, 128, 3)
->
Set Abstraction.group
input tensor(B, 128, 3)
output tensor(B, 128, 64, 128 + 3)
->
PointNet(B, 128, 64, 256)
input tensor(B, 128, 64, 128 + 3)
output tensor(B, 128, 64, 256)
->
max Pooling
input tensor(B, 128, 64, 256)
output tensor(B, 128, 256)
->
Set Abstraction.sample
input tensor(B, 128, 256)
output tensor(B, 1, 3)
->
Set Abstraction.group
input tensor(B, 1, 3)
output tensor(B, 1, 128, 256 + 3)
->
Set Abstraction.PointNet
input tensor(B, 1, 128, 256 + 3)
output tensor(B, 1, 128, 1024)
->
max Pooling
input tensor(B, 1, 128, 1024)
output tensor(B, 1, 1024)
->
Features(B, 1, 1024)

分类模块

Features(B, 1024) -> FC(B, 512) -> FC(B, 256) -> Output(B, n_clsclasses)

分割模块

Features(B, 1, 1024) 全局特征
->
FP.unsapmling 上采样
input tensor(B, 1, 1024)
output tensor(B, 128, 1024)
->
FP.concat 特征拼接
input tensor(B, 128, 1024)
output tensor(B, 128, 1024+256) 全局特征+每个点的超维特征
->
FP.PointNet
input tensor(B, 128, 1024+256)
output tensor(B, 128, 256)
->
FP.unsampling
input tensor(B, 128, 256)
output tensor(B, 512, 256)
->
FP.concat
input tensor(B, 512, 256)
output tensor(B, 512, 256+128)
->
FP.PointNet
input tensor(B, 512, 256+128)
output tensor(B, 512, 128)
->
FP.unsampling
input tensor(B, 512, 128)
output tensor(B, N, 128)
->
FP.concat
input tensor(B, N, 128)
output tensor(B, N, 128+6)
->
FP.PointNet
input tensor(B, N, 128+6)
output tensor(B, N, 128)
->
Conv1d(B, N, 128)
->
Conv1d(B, N, n_segclasses)

PointNet、PointNet++ | 论文阅读笔记

摘要

PointNet 的不足：无法很好的提取局部点集特征。
如何划分输入的3D点集，进而应用分层次的网络？
如何连接不同尺度的特征，来应对点云密度的变化？
本文提出新的网络架构，PointNet++

Introduction

我们提出分一个分层次的神经网络，PointNet++，可以在不同的层次内（也即是不同半径内）直接处理点集。PointNet++ 的基本思想很简单。我们首先将输入点云划分为具有重叠的局部小区域。类似于 CNNs，我们从小的邻域内提取更为精细的特征，然后将局部的特征进一步聚合为大的区域，进而处理得到更高层次的特征。这个处理是重复的，直到我们获取了全部点集的特征。
PointNet++ 需要处理2个问题：如何将输入点集划分为小的邻域？如何学习局部邻域点集的特征？这两个问题是相关的，因为点集的划分会产生一系列一般的局部结构（common structure），那么局部特征学习器可以权重共享（正如卷积的设定一样）。我们选择 PointNet 作为局部特征学习器，它在处理无序点云上是非常有效的。此外，该网络对点云的波动具有稳定性。作为一个基础模块，PointNet 将局部点或特征集抽象成更高级层次的表示。这样，PointNet++ 可以递归的将 PointNet 应用于被网状划分的输入点集。

点集抽象层 Set Abstraction Levels

我们的分层结构是由一系列点集抽象层（Set Abstraction Levels）组成，参考 Fig2。在每一个层次，一组点被处理和抽象，并产生一组新的点集（具有更少的点）。点集抽象层包含三个关键层：Sampling Layer，Grouping Layer and PointNet Layer. Sampling Layer 从输入点集中采样一部分点，这些点就是局部邻域的中心。Grouping Layer 根据邻域中心，选择局部的邻域点集。 PointNet Layer 使用一个迷你的网络（Mini-PointNet）编码局部邻域的特征。