一、Previous Works

Conversion	Deep Net	备注
Voxelization	3D CNN	点云数据数据珊格化后会降低分辨率，存在信息丢失
Projection/Rendering	2D CNN	代表方法 Multi-view CNN，对物体进行多方面的拍照再进行处理，这种方法和选取的角度多少有关，选取的角度个数多，会造成计算量的增加
Feature extraction	Fully Connected

挑战
- Unordered point set as input（n个d维的点，输入顺序不同不影响几何图形）
- Invariance under geometric transformations（不同的几何变换要有不变的特性）

二、PointNet++

特点
- Hierarchical feature learning
- Translation invariant
- Permutation invariant
Hierarchical feature learning
Set Abstraction: sampling + grouping + pointnet
- Sample centroids
  - Uniform sampling
  - Farthest sampling
- Group points by centroids
  - K nearest neighbors（找到固定数量的邻近点）
  - Ball query (within range)（会查找在查询点半径范围内的所有点，在实现中设置了查询点的上限）
  - 与KNN相比，求查询的局部邻域可确保固定的区域尺寸，使局部区域的特征在整个空间中更具有通用性。
- Apply PointNet on each point group
PointNet++:improved PointNet（缺乏Hierarchical feature learning，导致丢失局部结构信息）
Point Feature Propagation for set segmentation
对非均匀点云的处理方法
- Multi-scale grouping (MSG)：对同一级别的点选择不同的半径，进行特征提取，将得到的特征进行拼接
- Multi-resolution grouping (MRG)：在不同级别上进行特征提取，进行拼接