POINTNET：利用深度学习对点云进行3D分类和语义分割

POINTNET：利用深度学习对点云进行3D分类和语义分割

参考自，PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

代码仓库地址为：https://github.com/charlesq34/pointnet/

介绍

这次介绍的是一个比较基础的工作，针对空间点云，进行分类或者语义分割的框架，现在通常也被用作对RGB-D图像进行特征提取的部分。

该工作的目的就是，输入点云信息，得到每一个点的语义，或者是得到整个点云代表的物体信息。

PointNet Application

如上图所示，该工作可以对点云数据进行分类，语义分割，部分分割等。

具体细节

首先，我们假设点云为一系列点的集合，记为\{P_1, P_2, ...,P_n\}

每一个点，都有坐标(x,y,z)，以及代表色彩的通道值，如果是rgb，那就是3个通道的值

这里直接给出整个PointNet的结构图

overview

我们首先来看蓝色背景的部分，代表一个分类网络，输入是一个 n\times 3 的点云信息，其中 n 是点的数目，3 代表着空间坐标的维度

最终输出一个 k 维的分数，代表对 k 个物体的分类置信度。

我们来仔细看一下处理的过程：

1. Input Transform

这一部分由一个T-Net和矩阵乘法构成，最终输出的形状还是 n\times 3

通过分析其代码，可以知道，该T-Net由3个卷积层，1个最大池化层以及2个线性层组合而成

最终输出一个 3\times 3 的变换矩阵，然后右乘上输入（输入的形状是 n\times 3 ）得到 n\times 3 的输出

直觉上看，就是用一个小的网络学习一个线性变换，对输入的点云做处理

2. MLP

代码中使用的是两个卷积层：

  • 先用一个 1\times 3 的卷积，输出通道数为 64

  • 然后是一个 1\times 1 的卷积，输出通道也是 64

所以最终的输出是 n\times 64 的形状

3. Feature Transform

和先前一样，用T-Net输出一个 64\times 64 的线性变换矩阵右乘上去

4. MLP

用三个 1\times1 的卷积，将通道数直接提升到了 1024，输出的形状也就是 n\times 1024

本质上和线性层是一样的

5. MaxPool

过一个MaxPool，kernel大小设置成 1\times n ，直接得到一个 1024 维的特征向量

6. MLP

最后直接用三个线性层，将输出转换成 k 维的分类置信度

语义分割的细节

这里合并了两个特征，形状分别是 n\times 64 和 1024

将 1024 长度的特征向量复制 n 次，接在 64 维的向量后面，便得到 n\times 1088 的输出

过一系列MLP，最终输出 n \times m 形状的矩阵，m 代表语义分割的类别

实验分析

物体分类

首先是在ModelNet40数据集上分类的准确率

cls

基本上在3D输入上达到了SOTA的性能，整体正确率为89.2%。

语义分割

seg

可以看到，比起3D全卷积的baseline，mIoU也是达到SOTA的性能

©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容