【论文研读】PointGrid（2018cvpr，point cloud）

Autuor：Truc Le and Ye Duan——University of Missoruri

 

Introduction

作者提出PointGrid，这是一个三维卷积网络， 它是点和网格的集成，是一种可以更好地表示局部几何形状细节的混合模型

在每一个grid cell，保持points num=K（作者选取16*16*16，对比VNet的64*64*64小多了）

比现有的方法更好：Point Net [38], PointNet++ [40], Kd-Net [27], O-CNN [55] and Oct-Net

基本思想：输入点云数据xyz，放置到16*16*16的立方体中，每个小单元cell选取4（K）个点。每个 cell 的feature为k个点的xyz坐标，则每个cell有3K个feature。

 

PointGrid

一、数据预处理

1、把点云数据限制到[-1,1]^3

2、把每个cell中的点数限制为K个——Point Quantization

    >k：down-sample 降采样

   

    =0：这个cell的feature均为0（empty cell）

二、网络构架

1、Classification Network

组成：

       conv层：kernel：3*3*3、stride=1的conv + a batch normalization + a rectified linear unit (ReLU)

                     每个block分别用了32、64、128、256个filter

       pooling：max pooling，无其他变换，仅为了缩小grid size从而减少参数个数

       two fully connected layers：a fully connected layer, a ReLU activation and a dropout layer (with dropout rate 0.3)

       最后一层fully connected layer：分类预测

2、Segmentation Network

classification network 的特征提取部分+decode部分（与encode对称）

Loss = a linear combination of classification loss and segmentation loss.

Output：K + 1 labels for each cell in the 3D grid。其中 K labels correspond to K points in that cell，剩下一个是cell-level label.

       ground truth labels for object parts at the cell-level：取每个cell中所有点的的主要label。

                                                                                           没有点的labeled as “no label”

 

Experiments

70% of the dataset is used for training, 10% for validation, and 20% for testing

For each model, 选取1024 points on the surface

 

论文参考：PointGrid: A Deep Network for 3D Shape Understanding