PointNet 家族简介

Posted 2022-11-29 等待破茧

​转载自PointNet 家族简介（一） - 知乎

目录

点云是什么？

开山之祖：PointNet[1]

点云版 UNet：PointNet++[2]

加点体素：VoxelNet[3]

稀疏 3D 卷积：SECOND[4]

拍扁成 2D：PointPillars[5]

参考文献

最近学习了 PointNet，发现这个系列的网络好多，于是打算写一个系列文章挨个介绍一下主要特点。

挖个坑，不一定填（逃

点云是什么？

点云的概念是从现实中的 3D 扫描技术而来的。

常用的 3D 扫描技术是 LiDAR，这个仪器会从发射端发射一些激光，打到被扫描的物体上，反射后被仪器接受。通过计算发射和接受的时间差，就可以知道反射点距离摄像头的位置。通过发射许多条激光，我们就可以得到很多个点，这就是点云了。

由于这个采集流程，点云通常有如下特征：

1. 稀疏性：点云数据仅存在于物体表面。
2. 数据缺失：由于遮挡导致部分表面未被扫描到。
3. 数据噪声：仪器本身的精度或者环境因素导致。
4. 非均匀性：由仪器的采样策略、相对位置、扫描范围等因素引起。

其中，第二条所带来的问题，可以通过多角度扫描后进行对齐来缓解。不过，有的时候无法做到这一点，有的时候这也无所谓。

另外，在点云数据中，每个点除了带有坐标 (x,y,z) 以外，通常也可以有其它数据，例如法向量、颜色等等。

网络直接从点云数据中学习特征至关重要，因为转换表示会造成不必要的信息损失，某些其他表示也会不利于网络学习。

开山之祖：PointNet[1]

这篇文章是点云神经网络的鼻祖，它提出了一种网络结构，可以直接从点云中学习特征。如何设计出符合点云特点的网络是一个难点。该文章在分类、语义分割两种任务上做出了对比，并给了理论和实验分析。

点云的特点其实非常好理解：

1. 排列不变性：重排一遍所有点的输入顺序，所表示的还是同一个点云数据，网络的输出应该相同。
2. 点集之间的交互性：点与点之间有未知的关联性。
3. 变换不变性：对于某些变换，例如仿射变换，应用在点云上时，不应该改变网络对点云的理解。

只要网络抓住这三个特点，那么它至少就能作为一个能用的 encoder 。PointNet 是这么处理这三个问题的：

1. 排列不变性：该文章使用了对称函数（Symmetry Function），它的特点是对输入集合的顺序不敏感。这种函数非常多，如 maxpooling，加法，向量点积等。PointNet 采用的是 maxpooling 方法来聚合点集信息。
2. 交互性：实际上，对称函数的聚合操作就已经得到了全局的信息，此时将点的特征向量与全局的特征向量 concat 起来，就可以让每个点感知到全局的语义信息了，即所谓的交互性。
3. 变换不变性：只需要对输入做一个标准化操作即可。PointNet 使用网络训练出了 D 维空间的变换矩阵。

此时我们再来看看网络结构：

分类网络：输入的是 n 个三维坐标（实际上可以更多维度），预测了一个变换矩阵做了变换，然后使用 MLP 对每个点做一个 embedding，之后再在 feature 空间中预测了变换矩阵做变换，然后又做了 embedding，最后 maxpooling 得到全局特征。用全局特征过一个 MLP 来做 label prediction。

分割网络：相比分类，分割需要每个点捕捉全局信息后才能知道自己是哪一类，于是把每个点的 feature 和全局 feature 做一个 concat，过 MLP，之后对每个点做 label prediction。

（不过，对于 feature 变换，论文特别指出需要配合一个正则化项 loss，详情请看论文）

容易发现，PointNet 实际上只解决了最基本的如何满足点云性质问题，并只捕捉到了全局信息，这些做法是远远不够的。

点云版 UNet：PointNet++[2]

PointNet 的缺点：只能捕捉全局信息。如何捕捉局部信息？如何定义局部？

仿照 CNN ：把图像分为互相覆盖的多个区域，每次使用一个卷积核进行卷积，多次重复，让感知野逐渐变大。所以，PointNet++ 的方法就是多次使用 PointNet 让感知野逐渐变大。所以现在问题就是如何定义局部、如何划分互相覆盖的多个区域。这个是比较困难的，因为点云具有稀疏、三维、非均匀分布的性质。

PointNet++ 就是做了个点云版的 UNet，具有 encoder-decoder 结构，能更好的做分类和分割的任务，如下

在 encoder 模块中，PointNet++ 引入了 set abstracion level 来模仿一个 CNN block，该结构接受一个点云作为输入，输出点数更少的点云。其分为这几个模块：

1. Sampling layer。用来定义局部区域中心。在接受的 n 个点中，根据度量函数，挑选 m 个互相之间距离最远的点。
2. Grouping layer。对于 m 个中心点对应的局部区域，找到每个区域内的点有哪些。
3. PointNet layer。对于 m 个区域，使用 PointNet 得到 m 个新点，其中特征向量是 PointNet 给出，空间坐标为原本的中心点。

另外，还要处理点云密度不均匀问题，具体看原 paper。

decoder 没啥好说的，直接找附近的点用距离的倒数作为权重插值，然后 skip-connection，再使用 1*1 卷积降维。

加点体素：VoxelNet[3]

自动驾驶中的 3D 目标检测任务，需要高速做到实时，而且要捕捉局部的语义信息，这两件事 PointNet 都比较难做到。尤其是局部语义，复杂的 3D 场景点云的全局特征对于局部语义的表示自然是比较差的。

VoxelNet 的思路相当直观：全局 PointNet 不是又慢又不局部吗？我直接划成块挨个做。不过，它没有使用 PointNet++ 的方法，只是均匀划块而已。

具体的说，VoxelNet 把点云在空间中划分成体素，然后对每个体素多次使用 PointNet 的结构（MLP，maxpooling，concat），之后使用 3D CNN 的卷积操作获得稀疏体素之间的交互，最后跟了个 RPN 网络来做 3D 物体检测任务。

VoxelNet 相比于直接采用 PointNet，降低了计算花费，而且一定程度上捕捉了局部信息。但是问题是，虽然文章提到了稀疏 3D 卷积可以跑得比较快，但是这依然是一个高时间消耗的操作，无法满足实时应用。

稀疏 3D 卷积：SECOND[4]

SECOND 这篇工作注意到了 VoxelNet 高消耗的 3D 卷积操作，于是使用了稀疏 3D 卷积的优化方法，给 VoxelNet 大大提速。

具体的说，在体素上做了两次 PointNet 操作后，就拿去做稀疏 3D 卷积，最后给 RPN。

拍扁成 2D：PointPillars[5]

PointPillars 的主要 idea 是，在自动驾驶等应用中，3D 场景点云中的物体检测存在这样一种特点：垂直方向（z 轴）相对另外两个轴的信息量更低。举个例子，我们通常使用俯视图来标注地图上出现的物体，因为此时展示的信息量更大，其他视角会有遮挡。

所以，这篇 PointPillars 的思路就是，在 xy 平面上划分网格，然后把垂直方向的点云压到网格上，使用 2D CNN 方法进行物体检测。

相比于 VoxelNet 和 SECOND 的 3D 卷积操作，2D 卷积在实现上更简单，在速度上更快，所以它的速度就上来了。另外，它的效果也并不逊色于 VoxelNet。

实验结果是， VoxelNet 是 4.4Hz，SECOND 是 20Hz，PointPillars 达到了 62Hz 的速度。

整个结构分为三个部分。

Pillar Feature Net：在每个格子里，使用 PointNet 提取属于该格子的特征，特征向量作为该像素的值。然后我们得到了一张伪图。注意这里为了处理稀疏性，只提取了非零的格子进行特征提取操作，最后再放回去。

Backbone：使用下采样卷积 + 上采样 + concat 得到输出 feature

SSD：3D 物体检测模块。

参考文献

[1] Qi, Charles R., et al. "Pointnet: Deep learning on point sets for 3d classification and segmentation." Proceedings of the IEEE conference on computer vision and pattern recognition. 2017.

[2] Qi, Charles R., et al. "Pointnet++: Deep hierarchical feature learning on point sets in a metric space." arXiv preprint arXiv:1706.02413 (2017).

[3] Zhou, Yin, and Oncel Tuzel. "Voxelnet: End-to-end learning for point cloud based 3d object detection." Proceedings of the IEEE conference on computer vision and pattern recognition. 2018.

[4] Yan, Yan, Yuxing Mao, and Bo Li. "Second: Sparsely embedded convolutional detection." Sensors 18.10 (2018): 3337.

[5] Lang, Alex H., et al. "Pointpillars: Fast encoders for object detection from point clouds." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019.