点云特征学习（二）--SPG论文阅读笔记

点云特征学习（二）–SPG论文阅读笔记

一，挑战

在SPG工作时间节点之前，PointNet，PointNet++等深度学习方法虽然能够较好完成点云语义分割任务，但是受限于点云输入大小规模的限制，无法在大规模语义分割任务中也保持同样的优异表现。为了更好地处理百万级的点云数据，超点图（SPG）被提出，用SPG表示点云，再用图卷积神经网络学习上下文特征。

二，方法

根据我本人的理解，原始场景的点云数量是百万级，甚至是更大规模的，如果是传统的基于体素的方法，为了提高计算效率，可以将体素的大小设置相对大，从而减少计算量。但是大的体素无疑会丢失更多的空间结构信息，如果是基于点的方法，可以使用采样的方式减少点的数量，大规模采样如何保持原始点云的空间结构特征，这一点我会在后续的点云特征学习中继续关注。在SPG论文中，采用的是基于几何形状的homogeneous partition方法，我翻译为同类分割。这种策略在于利用无监督的方式，对大规模点云进行类似于聚类的操作，然后用超点（superpoint，SP）表示大规模场景点云，SP数量是远小于原始点云的。如下图所示，使用S1,S2,S3,S4,S5,S6 六个超点，以及超边一起表示了原始的输入点云。

接下来继续回到SPG论文本身。

2.1 Geometric Partition with a Global Energy

几何分割（聚类）的过程是根据以下能量函数进行的，

上式中左式是使得聚类后的点特征与对应的点云局部领