【强推】深度学习3D点云，最新最热门【mmdetection3D框架】详解！最新

点云分割（热门方向1）

分割对象，相同对象归于一种颜色

点云补全（基础条件）

缺少一部分点，补全这部分

点云生成

基于深度学习将无人机图像做出3D点云

点云物体检测（热门方向2）

通过点云检测物体。传统任务能做的，点云都能做

点云配准

从两个角度拍摄的图像，可以通过点云配准合成一张图像

点云存储数据格式(正方向、反方向）

获取点云数据

点云数据要解决的问题

PointNet

PointNet用到的是Max这个公式

先对每个点进行升维（例如从3维到1024维）在做max

PointNet基本架构

划红线的部分为不需要的部分（后续实验发现这些部分并不是必需的）

第一层的x3代表每个点都有3个特征，其余的也一个意思

PointNet问题

每一个点都是自己取特征，没有与其他点进行一个融合

PointNet++是PointNet的升级，基本方法没变，但对于局部关系考虑进去了

在10000个点中，先找100个中心点，再指定半径

选取的中心点应尽可能覆盖到整个图

分组

要求每个簇内点的数量为N，如果点不够，假设为x个点，则将簇内离当前中心最近的点n次，n为N-x。如果多了，则剔除掉里中心点远的那些，知道数量保持为N

可以选择不同半径大小的簇，将最终不同半径的特征拼在一起

128为中心点数量，16为簇内点数，6为特征数量

比PointNet多了个采样和分组

1、在pytorch中强调channel first

4、8是batchsize，64是每个簇的特征，128是簇的数量

4、在512的中心点里选半径

分类问题

d是位置信息

分割问题

不足：

改进：

MSG：选取不同的半径，拼接在一起

MRG：当前层特征和上一层特征拼在一起

MSG效果较好