【点云系列】SoftPoolNet: Shape Descriptor for Point Cloud Completion and Classification

文章目录

• 1. 概要

• 2. 动机

• 3. 方法

• • 3.1 整个网络框架SoftPoolNet
  • 3.2 Soft-pooling框架
  • 3.3 通过区域熵来学习激活
  • 3.4 去除重叠区域
  • 3.5 从MLP保留特征
  • 3.6 训练损失

• 4. 效果

• • 4.1 点云补全
  • 4.2 点云分类
  • 4.3 特征数量值验证
  • 4.4 效能分析
  • 4.5 可视化分析

• 5. 总结

1. 概要

会议：ECCV2020
机构：慕尼黑工业大学+Google
论文：https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123480069.pdf
代码：https://github.com/wangyida/softpool
后续：SoftPool++：An Encoder–Decoder Network for Point Cloud Completion， IJCV2022

2. 动机

提出的SfotPool

• 作用：替代PointNet里的 Max-Pooling操作
• 本质：参考Top K的结果，而非Top1（max）的结果；
• 优势：可考虑多个得分最高的特征，而非像max-pooling里仅考虑1个。可实现参考更多信息的同时保持置换不变性。
  

3. 方法

3.1 整个网络框架SoftPoolNet

• Encoder: 采用PointNet的MLP系列。输出维度分别是 [512, 512, 8]
• 用soft pooling模块，见Sec.3.2
• Decoder: 设计如下图。包括两个阶段。第一阶段：稀疏点云256个点；第二阶段：通过插值实现高分辨率点云16384；
• 损失函数：基础的CD距离
  

3.2 Soft-pooling框架

整个框架通过2个步骤实现

排序：按照公式（3）进行排序，选取特征F当中的前k个作为特征表达F'_k。这里其实就是不在使用max-pooling输出最大的，而是输出前k个的特征来作为后面的衡量。

拼接：将所有特征进行拼接，形成最终的特征F*

卷积：如公式（1），就是让着k个特征都分别参与了卷积的过程；

3.3 通过区域熵来学习激活

3.4 去除重叠区域

3.5 从MLP保留特征

3.6 训练损失

L = L_{CD}+ L_{inter} + L_{intra}+ L_{boundary} + L_{preserve}$

4. 效果

4.1 点云补全

4.2 点云分类

4.3 特征数量值验证

4.4 效能分析

4.5 可视化分析

5. 总结

这个方法的思路非常简单，其实就是将max-pooling–> KNN-pooling的模式，但大部分人可能就是去尝试一下看看效果，好就用，不好可能就放弃了。这里值得学习的一点就是，当你采用了soft-pooling之后，会遇到哪些问题，针对这些问题是如何处理的。比如这篇文章里面，发现类间、类内的问题，区域重叠的问题，重复特征的去除等，然后针对设计损失函数。就让一篇文章变得丰富了起来。我们常说，一个点不容易发论文，但由这个点发散开来的问题是什么？找到了，就是一篇好文了。

所以，有时候点不在小，而是看你是否有把一个小点挖掘到淋漓尽致的本事。