[]200倍的提速!华人博士生提出大场景三维点云语义分割新框架( 三 )

随机采样&局部特征聚合模块组合 , 组建RandLA-Net
Overview
如下图所示 , 对于一个覆盖数百米范围、由百万量级的点组成的大场景点云而言 , 如果希望将其直接输入到深度神经网络中进行处理 , 那么持续有效地对点云进行逐步地降采样 , 同时尽可能地保留有用的几何结构信息是非常有必要的 。
[]200倍的提速!华人博士生提出大场景三维点云语义分割新框架
本文插图
图 3. 网络结构的大致流程图
The quest for efficient sampling
为了寻找到一种高效的降采样方法 。 我们首先对现有的的降采样方法进行研究:主要可以分为Heuristic Sampling以及Learning-based Sampling两大类:
(1) Heuristic Sampling

  • Farthest Point Sampling (FPS):顾名思义 , 也就是每次采样的时候都选择离之前采样得到的 k-1个点距离最远的点 。 FPS能够比较好地保证采样后的点具有较好的覆盖率 , 因而在点云分割领域被广泛地使用(e.g., PointNet++, PointCNN, PointConv, PointWeb) 。 然而 , FPS的计算复杂度是, 计算量与输入点云的点数呈平方相关 。 这表明从FPS可能不适合用来处理大规模点云 。 举例来说 , 当输入一个具有百万量级点的大场景点云时 , 使用FPS将其降采样到原始规模的10%需要多达200秒 。
  • Inverse Density Importance Sampling (IDIS): 这个也比较好理解 , 简而言之就是根据每个点的密度来对其重新进行排序 , 尽可能地保留密度比较低的地方的点 。 IDIS [5] 的计算复杂度近似为 (取决于如何计算每个点的密度) 。 相比于FPS, IDIS显然更加高效 , 但IDIS对噪点(outliers)也更加敏感 。
  • Random Sampling (RS): 随机降采样均匀地从输入的 N 个点中选择 K 个点 , 每个点具有相同的被选中的概率 。 RS的计算复杂度为 , 其计算量与输入点云的总点数无关 , 只与降采样后的点数 K 有关 , 也即常数时间复杂度 。 因而具有非常高的效率以及良好的可扩展性 。 与FPS和IDIS相比 , RS仅需0.004s即可完成与FPS相同的降采样任务 。
(2) Learning-based Sampling