MSG效果较好,但相对的计算量也较大(经过三次PointNet)。作者在论文中给出了分类实验结果对比图,可以看出多尺度(MSG, MRG)和单一尺度(SSG)相比分类准确率没有什么提升,但当点云很稀疏的时候,使用MSG可以保持很好的鲁棒性。random input dropout(DP)对于鲁棒性提升也很大。 random input dropout(
MSG+DP的性能从1024个测试点降低不到1%到256个测试点。此外,与替代方案相比,它在几乎所有采样密度上都实现了最佳性能。PointNet原味[20]由于其专注于全局抽象而不是细节,因此在密度变化下相当鲁棒。然而,细节的丧失也使其与我们的方法相比功能较弱。SSG(在每个级别上带有单尺度分组的PointNet++的消融版本)无法推广到...
在分组层中作者提出了3种方案:SSG(single scale grouping)、MSG(multi-scale grouping)多尺度、MRG(multi-resolution grouping)多分辨率。实际上就是采用不同的半径或不同的分辨率进行了多次采样分组。也是为了解决本文中的第三个问题。 SSG:就相当于只有一种半径做了分组采样 MSG:相当于在同分辨率下做了多个半径分...
在下一节点云处理:基于Paddle2.0实现PointNet++对点云进行分类处理④中,我们将会一起来实现PointNet++(SSG)整体网络搭建,并进行训练和测试。 二、PointNet++(MSG)网络简介 PointNet++(MSG)网络是在PointNet++(SSG)网络基础上加入了多尺度特征提取策略,其中的MSG,即Multi-scale Grouping...
PointNet++提出了多尺度方法MSG和多层级方法MRG,这个见后面具体介绍。 pointnet layer 作用 对采样点进行局部特征提取,即: f(x1,x2,...,xn)=γ(maxi=1,...,n{h(xi)})f(x1,x2,...,xn)=γ(maxi=1,...,n{h(xi)}) 其提取过程如下图所示 ...
分组层采用多尺度的方法实现自适应的特征提取,包括SSG(单尺度)、MSG(多尺度同一级)和MRG(多尺度不同级)三种方式。这些方式可以根据点云数据的实际分布情况进行灵活选择,从而进一步提高模型的泛化能力。 四、PointNet++在S3DIS数据集上的训练 S3DIS数据集是一个常用的用于室内场景分割的点云数据集,包含了六个大型...
PointNet不捕获由度量空间点引起的局部结构,限制了它识别细粒度图案和泛化到复杂场景的能力,简单理解就是功能不强,实际应用效果一般。 二、PointNet++优点 1.一种分层的神经网络,在输入点集的嵌套分区上迭代使用PointNet。 2.利用度量空间的距离,能够利用上下文尺度的增长学习局部特征。
作者在 2D MNIST 数据集和 3D ModelNet40 数据集上进行了实验,分类结果基本达到了 SOTA,而且也验证了 PointNet++ 在不同的点云采样密度下的鲁棒性。下图中 SSG 表示单尺度聚合层(相对于 MSG)。 4.3 场景分割 作者基于 Scannet 框架[3],对比了 3DCNN[4]、PointNet 和 PointNet++ 网络的性能。
前面介绍的抽象层都只包含单个尺度的分组(single scale grouping,SSG)和特征提取。在PointNet++中,每个抽象层还可以使用多尺度分组(Multi-scale grouping,MSG)、多分辨率分组(Multi-resolution grouping ,MRG),来提取并组合多个局部区域特征。 (1)多尺度分组(Multi-scale grouping,MSG)...
多尺度(MSG,MRG)和单一尺度相比(SSG)对分类的准确率没有什么提升. 如果点云很稀疏的话,使用MSG或者MRG就会获得更好的效果。 通常在官方给出的代码中会同时出现这几种点云处理模型,我们以训练效果较好的MSG算法为例给出训练自己模型的方法。 2.2.3 数据预处理 ...