如何读论文——李沐

如何读论文-李沐

2021-10-10

PointNet Deep Learning on Point Sets for 3D Classification and Segmentatio(v2,CVPR 2017) – 阅读时间：2020/10/10

[paper][翻译]
摘要

点云是一种重要的几何数据结构。由于其无序性，大部分研究把这种数据转换成了有序的3D体素网格或者图片集合。然而，这会使数据不必要地大量增问题。在本文中，我们设计了一种直接处理点云的新型神经网络，这种网络很好的考虑了输入中的点的置换不变性。PointNet，这种神经网络为物体分类、场景语义分析提供了统一的结构。虽然简单，但PointNet十分高效且有效。根据经验，这种神经网络表现出了和现有技术水平相当甚至更好的强劲表现上，我们为解释这种网络学习到了什么和为什么这种网络能够对输入数据的扰动和损坏保持高度鲁棒性进行了分析。

结论

在这项工作中，我们提出了一种直接处理点云的新型深度神经网络PointNet。我们的模型对包括物体分类、零件分割和场景分割在内的一系列3D识别任务提供了统一的方法，同时在标准基准测试中获得了与现有技术相当或更好的结果。我们还提供了理论分析和可视化，以理解我们的模型

PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space（2017）

[paper][翻译]
摘要

以前很少有人研究点集的深度学习。 PointNet [20]是这方面的先驱。但是，根据设计，PointNet不会捕获由度量空间点所引发的局部结构，从而限制了识别细粒度模式的能力以及对复杂场景的普遍性。在这项工作中，我们引入了一个分层神经网络，它将PointNet递归地应用于输入点集的嵌套分区。通过利用度量空间距离，我们的网络能够通过增加上下文比例来学习局部特征。通过进一步观察，通常采用不同密度对点集进行采样，这导致对均匀密度训练的网络的性能大大降低，我们提出了新的集合学习层，以自适应地组合来自多个尺度的特征。实验表明，我们的网络PointNet ++能够高效，稳健地学习深度点集功能。特别是，在具有挑战性的3D点云基准测试中，结果明显优于现有技术

结论

在这项工作中，我们提出了PointNet ++，这是一个强大的神经网络架构，用于处理在度量空间中采样的点集。 PointNet ++递归地在输入点集的嵌套分区上起作用，并且在学习关于距离度量的分层特征方面是有效的。 为了处理非均匀点采样问题，我们提出了两个新颖的集合抽象层，它们根据局部点密度智能地聚合多尺度信息。 这些贡献使我们能够在具有挑战性的3D点云基准上实现最先进的性能。

在未来，如何通过在每个局部区域共享更多计算来考虑如何加速我们所提出的网络的推理速度，特别是对于MSG和MRG层，这是值得的。 在更高维度度量空间中找到应用程序也很有趣，其中基于CNN的方法在计算上是不可行的，而我们的方法可以很好地扩展。