论文笔记：PointNet

分手后的思念是犯贱 2022-04-13 14:00 544阅读 0赞

*PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation*

# PointNet #

## 1、四个问题 ##

1.  要解决什么问题？
    
     *  3D点云是一种很重要的几何数据结构。由于其存在空间关系不规则的特点，因此不能直接将已有的图像分类分割框架套用到点云上。
     *  许多研究者会将3D点云转换为3D体素（voxel grids ）或者一系列图片，然后套用到现有的深度学习框架上，取得了非常好的效果。但是将点云体素化势必会改变点云数据的原始特征，造成不必要的数据损失。
     *  因此，作者想要做的就是设计一个可以**直接处理3d点云数据的深度学习框架**。
2.  用了什么方法解决？
    
     *  提出了PointNet，它可以直接将3d点云作为输入，输出预测的类别。
     *  由于直接以点云作为输入，而最大的难点在于点云的点数是不确定且无序的。
     *  核心方法是巧妙地使用了一个**Max Pooling**，解决了这个问题。
3.  效果如何？
    
     *  尽管网络结构很简单，PointNet在许多任务上的表现还是很好的，甚至超过了state-of-the-art。
4.  还存在什么问题？
    
     *  PointNet只关注了3D点云的全局信息，对于局部信息的利用不够充分，一定程度上限制了网络的性能。

## 2、论文概述 ##

### 2.1、简介 ###

*  因为点云和mesh都是不规则的，大多数学者都会先将这类数据先转换为标准的3D体素（voxel grids ）或者多视角下的图片，然后再送入深度学习框架中进行处理。
 *  PointNet可以直接接收点云作为输入，然后输出预测的分类结果或是每个点的语义分割结果。
 *  网络结构十分简单，核心在于巧妙地使用了一个对称函数：Max Pooling。
 *  网络随着训练会学习到一系列函数，可以从3d点云中选取出感兴趣的或是信息含量大的特征点，并进行编码。
 *  最后的全连接层会将提取得到的信息聚合到全局描述子中，代表了整个形状的信息。
 *  一个有趣的发现是，PointNet会试着使用一个稀疏的关键点集来表示整个输入点云，与粗略地提取物体的骨架很类似。
 *  PointNet的应用：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70]

### 2.2、PointNet ###

*  PointNet的输入时欧式空间中的点组成的点集。主要有三个属性：
    
    1.  无序性。不像图像的像素或者三维的体素，点云是一系列没有特定顺序的点。因此，网络需要保证面对 n n n个点的3D点云的 N ! N! N!种顺序置换的可能情况具有不变性。
    2.  点与点之间相关性。这些点来自于一个具有距离度量的空间，也就意味着点之间不是独立的，近邻点本身就是一个有意义的子集。因此，模型需要能够捕获近邻点的局部结构特征。
    3.  旋转（平移）不变性。对于几何物体，网络提取到的点集的特征应该不会受到旋转和平移等变换的影响。
 *  三个关键结构：
    
     *  最大池化层，用来将从所有的点上提取得来的信息聚合到一起。
     *  局部信息和全局信息结合结构。
     *  两个对齐网络T-Net，用来将输入点和特征点进行对齐。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 1]

*  网络结构其实很简单，主要参考这张流程图就能理解了。
    
     *  T-Net用来生成变换矩阵，作用是用来对齐特征，使特征更利于提取。输入是 n × 3 n \\times 3 n×3，那么第一个T-Net生成的就是一个 3 × 3 3 \\times 3 3×3的仿射变换矩阵；由于第二个T-Net的输入时 n × 64 n \\times 64 n×64，那么生成的变换矩阵就是一个 64 × 64 64 \\times 64 64×64的变换矩阵。
     *  使用mlp提取特征，也可以理解为卷积核为1的1维卷积。
     *  使用Max Pooling将全局特征 n × 1024 n \\times 1024 n×1024，kernel size直接取为 n n n，得到 1 × 1024 1 \\times 1024 1×1024维的全局特征。
     *  后续再进行特征提取，用于分类或是分割任务。

#### 2.2.1、用来处理无序输入的对称函数 ####

*  目前有以下三种策略：
    
    1.  将输入排序成一个标准的顺序。
    2.  将输入当做一个序列输入RNN，但是需要进行数据增强，将所有可能得置换顺序的数据都用来训练。
    3.  使用一个对称函数来将所有点的信息聚合。
 *  作者最终选择使用max pooling来聚合全局信息，并在后面从理论上证明了，当特征维数足够大时，max pooling可以模拟论文中所述的任意对称函数f。推导略。

#### 2.2.2、聚合全局和局部信息 ####

*  在计算得到全局点云特征向量后，将其与前面的点特征拼接在一起。随后再从拼接后的特征向量中提取特征，这时既有局部信息也有全局信息。

#### 2.2.3、对齐网络 ####

*  输入的点云是 n × 3 n \\times 3 n×3，通过一个小网络T-Net预测出一个放射变换矩阵，并直接乘在输入上。
 *  对齐网络也可以扩展到特征空间中，通过一个小网络T-Net预测出一个特征变换矩阵，乘在输出的特征向量上。
 *  考虑到在特征空间上的变换矩阵比普通的空间变换矩阵（3维）的维度高得多，这会给优化增加不小的难度。所以另外还要在最后的softmax损失上加上一个正则化项： L r e g = ∥ I − A T A ∥ F 2 L\_\{reg\} = \\|I - A^T A\\|\_F^2 Lreg=∥I−ATA∥F2。 其中 A A A是T-Net预测得到的特征对齐矩阵。对角矩阵不会丢失输入信息，这也是我们所期望的。作者提到，加上正则化项之后训练会更稳定。

### 2.3、实验 ###

*  在ModelNet40数据集上的分类任务结果：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 2]

*  在ShapeNet数据集上的分割结果。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 3]

*  PointNet的参数量相比其他state-of-the-art的架构小得多。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 4]

## 3、参考资料 ##

1.  [https://blog.csdn.net/sunfei05/article/details/80351524][https_blog.csdn.net_sunfei05_article_details_80351524]
2.  [https://blog.csdn.net/yongxiebin9947/article/details/79368752][https_blog.csdn.net_yongxiebin9947_article_details_79368752]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70]: /images/20220413/805482c540c94a5c95fdd3af3fad2287.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 1]: /images/20220413/09a3de05a2484294b11feec190388d35.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 2]: /images/20220413/8fff4cf70be14063b525134f08096a3f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 3]: /images/20220413/475562bc73964eadb900f83e39f188aa.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 4]: /images/20220413/ac67bf316c88437c8500ab485b99681e.png
[https_blog.csdn.net_sunfei05_article_details_80351524]: https://blog.csdn.net/sunfei05/article/details/80351524
[https_blog.csdn.net_yongxiebin9947_article_details_79368752]: https://blog.csdn.net/yongxiebin9947/article/details/79368752