|
本文主要介绍下点云处理网络pointweb。 摘要 随着深度学习的不断发展，点云也应用了深度学习网络，包括点云分类，点云分割，点云的目标检测，都达到了比较好的效果。2D深度网络和3D深度网络还是有很大区别的，对于2D图像,图像本身是规则的，所有使用传统的cnn就可以处理，但是对于3D点云来说，传统的cnn就无法处理点云，因为点云的无序与不规则，处理点云时还要处理点云的旋转不变形。以往有很多算法是将点云变化为规则的数据，然后再通过网络进行训练，但是这种方式对计算机的性能要求就比较高，很难达到实时。因此直接处理点云的网络就被提出来，pointnet是直接处理无序点云的先驱网络之一。他是通过多层感知器对点进行提取高纬空间特征，然后将提取的特征进行max-pooing。最终得到想要的特征。 对于pointent只能提取整体的特征，整个点云部分细节特征提取不好，因此又有了pointnet++网络，pointnet++是对点云的细节做了特征提取，效果得到了明显的提升。即使这样，有学者认为，pointnet++只提取了点云细节特征和整体特征，但是对于点云的位置信息特征并没有很好的提取。于是在pointnet++的基础上提出了dgcnn，dgcnn不仅提取点云的整体特征，并对点云的相对位置也进行特征提取。对于本文不同与上述方法，本文是通过在区域内，全连接所有成对点，然后提取它们的文本信息。 本文贡献：
本文方法： 首先是和pointnet++，dgcnn进行对比，直观上如图所示：
pointnet++是未考虑点之间的位置关系，dgcnn考虑了点的位置关系。pointweb考虑了所有点的位置关系。 |
