PointNet++代码

PointNet++代码

参考：https://blog.csdn.net/weixin_39373480/article/details/88934146
大部分是这个作者的，搬运过来了，添加了一些帮助理解

utils部分

idx

def index_points(points, idx):
    """
    Input:
        points: input points data, [B, N, C]
        idx: sample index data, [B, D1,...DN]
    Return:
        new_points:, indexed points data, [B, D1,...DN, C]
    """
    device = points.device
    B = points.shape[0]
    view_shape = list(idx.shape)
    view_shape[1:] = [1] * (len(view_shape) - 1)
    repeat_shape = list(idx.shape)
    repeat_shape[0] = 1
    batch_indices = torch.arange(B, dtype=torch.long).to(device).view(view_shape).repeat(repeat_shape)
    new_points = points[batch_indices, idx, :]
    return new_points

区别：[[[0,1],[0,1]],:]和[[0,1],[0,1]]写法，前者[0,1],[0,1]取得都是0轴的，后者取得是[0,0] 和[0,1] 两个元素

再看batch_indices和idx同型，就类似[[[0,1],[0,1]],[[1,2],[1,2]],:]这种写法了，0,1轴使用多维数组坐标定位，2轴全保存
作用：？将B(0轴)按照[0,0],[1,1]多取了几次，而且对于[[0,0],[1,1]]这样的形状，会按照，这个形状将取到的放入，并对于points含义？
batch_indices例如这样子[[[0,0],[0,0]],[[1,1],[1,1]]]，然后idx找到对应的
batch_indices是到B的，也就是说整个复制了repeat_shape份，排列形状和batch_indices一样
这样idx就能取到里面的行了，batch_indices与idx形状一样，idx形状为每个B中S个核心点，每个核心点附近K个邻近点，也就是BxSxK
所以复制了B份又复制了S份，然后取到K个。确实挺复杂的

也就能理解下面这段话了
按照输入的点云数据和索引返回由索引的点云数据。例如points为B × 2048 × 3 B\times 2048\times 3B×2048×3的点云，idx为[ 1 , 333 , 1000 , 2000 ] [1,333,1000,2000][1,333,1000,2000]，则返回B个样本中每个样本的第1,333,1000,2000个点组成的B×4×3的点云集。当然如果idx为一个[ B , D 1 , . . . D N ] [B, D1,…DN][B,D1,…DN]维度的，则它会按照idx中的维度结构将其提取成[ B , D 1 , . . . D N , C ] [B, D1,…DN, C][B,D1,…DN,C]。

farthest_point_sample函数

最远点采样函数，其核心就是点集到点集计算的函数，举个简单的栗子，一个临近点间距都是1的一排点(ps：自己把dist放到格子里吧:) )：

对着代码看看，帮助理解（之前我也没看太明白）

def farthest_point_sample(xyz, npoint):
    """
    Input:
        xyz: pointcloud data, [B, N, C]
        npoint: number of samples
    Return:
        centroids: sampled pointcloud index, [B, npoint]
    """
    device = xyz.device
    B, N, C = xyz.shape
    centroids = torch.zeros(B, npoint, dtype=torch.long).to(device)
    distance = torch.ones(B, N).to(device) * 1e10
    farthest = torch.randint(0, N, (B,), dtype=torch.long).to(device)
    batch_indices = torch.arange(B, dtype=torch.long).to(device)
    for i in range(npoint):
    	# 更新第i个最远点
        centroids[:, i] = farthest
        # 取出这个最远点的xyz坐标
        centroid = xyz[batch_indices, farthest, :].view(B, 1, 3)
        # 计算点集中的所有点到这个最远点的欧式距离
        dist = torch.sum((xyz - centroid) ** 2, -1)
        # 更新distances，记录样本中每个点距离所有已出现的采样点的最小距离
        mask = dist < distance
        distance[mask] = dist[mask]
        # 从更新后的distances矩阵中找出距离最远的点，作为最远点用于下一轮迭代
        farthest = torch.max(distance, -1)[1]
    return centroids

query_ball_point函数

获得每个球型领域的nsample个点

• radius：搜索半径
• nsample：个数
• xyz：为所有的点云
• new_xyz：S个球形领域的中心（由最远点采样在前面得出）

def query_ball_point(radius, nsample, xyz, new_xyz):
    """
    Input:
        radius: local region radius
        nsample: max sample number in local region
        xyz: all points, [B, N, C]
        new_xyz: query points, [B, S, C]
    Return:
        group_idx: grouped points index, [B, S, nsample]
    """
    device = xyz.device
    B, N, C = xyz.shape
    _, S, _ = new_xyz.shape
    group_idx = torch.arange(N, dtype=torch.long).to(device).view(1, 1, N).repeat([B, S, 1])
    # sqrdists: [B, S, N] 记录中心点与所有点之间的欧几里德距离
    sqrdists = square_distance(new_xyz, xyz)
    # 找到所有距离大于radius^2的，其group_idx直接置为N；其余的保留原来的值
    group_idx[sqrdists > radius ** 2] = N
    # 做升序排列，前面大于radius^2的都是N，会是最大值，所以会直接在剩下的点中取出前nsample个点
    group_idx = group_idx.sort(dim=-1)[0][:, :, :nsample]
    # 考虑到有可能前nsample个点中也有被赋值为N的点（即球形区域内不足nsample个点），这种点需要舍弃，直接用第一个点来代替即可
    # group_first: [B, S, k]， 实际就是把group_idx中的第一个点的值复制为了[B, S, K]的维度，便利于后面的替换
    group_first = group_idx[:, :, 0].view(B, S, 1).repeat([1, 1, nsample]) ####这里0应该就是中心点了，因为求dist没有去掉自己吧？
    # 找到group_idx中值等于N的点
    mask = group_idx == N
    # 将这些点的值替换为第一个点的值
    group_idx[mask] = group_first[mask]
    return group_idx

---

数组参考：https://blog.csdn.net/forever_wen/article/details/89495480

---

未完！