CVPR2018论文笔记（一）PPFNet_Part1

PPFNet: Global Context Aware Local Features for Robust 3D Point Matching

---

一、摘要部分：

1.Point Pair Feature NETwork for deeply learning a globally informed 3D local feature descriptor to find correspondences in unorganized point clouds.
点对特征网络用于深度学习全局信息的三维局部特征描述符以寻找散乱点云中的对应关系。
2.As opposed to voxelization, our method is able to consume raw point clouds to exploit the full sparsity.
相对于“体素化”，我们的方法能够“消耗”原始点云以开发其全部稀疏性。
3.Qualitative and quantitative evaluations of our network suggest increased recall, improved robustness and invariance as well as a vital step in the 3D descriptor extraction performance.
对我们网络的定性和定量评价表明，我们的网络可提高查对率、增强鲁棒性和不变性，并且是提高三维描述符提取性能过程中的一个关键步骤。
Note:摘要部分一共有八句话，首先一句话概括作者们究竟做了什么，而后简要介绍其关键技术的独特之处。最后，通过对网络进行评价，突显其网络的优势。

二、论文插图部分：

[注]图片源于论文

Figure1.PPFNet generates repeatable, discriminative descriptors and can discover the correspondences simultaneously given a pair of fragments. Point sets are colored by a low dimensional embedding of the local feature for visualization. 3D data and the illustrative image are taken from 7-scenes dataset.
PPFNet生成可重复的、各自有区别的描述符，并且可以在给定一对片段（点云片段）的同时发现对应关系。点集通过局部特征的低维嵌入来着色，用于可视化。三维数据和说明性图像取自7个场景数据集。

三、公式部分：

[注]公式源于论文
Point Pair Features (PPF) Point pair features are antisymmetric 4D descriptors, describing the surface of a pair of oriented 3D points x1 and x2, constructed as:
点对特征是反对称4D描述符，描述一对定向3D点x1和x2的表面，其构成为：

where d denotes the difference vector between points, n1 and n2 are the surface normals at x1 and x2. ||·|| is the Euclidean distance and ∠ is the angle operator computed in a numerically robust manner as in [2]:
其中d表示点之间的差矢量，n1和n2是x1和x2上的表面法线。||·||是欧几里得距离，∠是以“数值稳健的方式”计算的角度算符，如参考文献[2]：

∠(v1, v2) is guaranteed to lie in the range [0, π).
∠(v1, v2)确保在[0, π)范围以内。
By construction, this feature is invariant under Euclidean transformations and reflections as the distances and angles are preserved between every pair of points.
通过构造，该特征在欧几里德变换和反射下是不变的，因为每一对点之间的距离和角度都保持不变。

---

每周读一些论文的计划其实很早就有了，出于一些原因一直没有完成。
既然想了，就还是要做到。
主要想通过记笔记的方式记录每周的学习过程，也算是督促自己的一种方式。
虽然可能一开始对自己来说会有一些难度，不过我还是相信只要坚持就一定会有进步。
这周看得这篇文章其实还没太看出个所以然，只是对作者想要做的事有了大致的了解。
下周争取能够理解得深入一些，对深度学习的学习也要提上日程了。
可能一些地方翻译得理解得不是很到位，如有任何问题还望及时批评指正。