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。

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 } {P_1, P_2, ...,P_n} {P1​,P2​,...,Pn​}

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

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 $1\times 1$ 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

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

可以看到，比起3D全卷积的baseline，mIoU也是达到SOTA的性能