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