【点云语义分割】简述对PointNeXt的理解

最近了解了一篇目前点云语义分割在S3DIS数据集上效果最好的一篇文章（PointNeXt），这篇文章在局部特征提取部分采用的是PointNet++的提取方式，基本没有改变。

对于PointNet++而言，它的mIOU只有54.5，但是这篇文章主要的改进就是绿色（数据增强：预处理+反转+加噪点等一系列处理图像方式的方法），紫色（优化器优化，这里提升不大），红色（模型缩放，主要是将特征提取部分层多次利用，扩大点云的感受野）。
对于数据增强和优化部分，采用的都是普通的方法，这里主要说一下模型缩放。这篇文章主要利用的还是编码-解码（4-4）的主要网络框架，它改进的地方就是将不同的特征提取次数进行改变，对于它的扩展网络，它使用的次数也不同。这里可以参考下RandLA-Net的网络，它使用的是2次LFA，用于扩大点云的感受野，这篇论文的衍生网络扩展也不同，这也导致它最后的PointNeXt-XL效果很好，但是参数量巨大。可以通过实验看出。

这里的C和B分别是维度和每一层特征提取的次数。


通过这篇文章得到的感想就是，对点云原始数据进行数据增强对模型的精度是有提升的，而且对于网络中点云感受野的扩大也会提升精度。但是这样的副作用就是导致大量的计算内存消耗和参数量（慎行！！！）。但是这篇文章却忽略自己特征提取的作用到底大不大，有没有可靠性，这也是值得思考的问题。
论文网址：https://arxiv.org/pdf/2206.04670v2.pdf