PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/482094/d9c9f8cf-34f8-21a8-e1f5-05efc6d0621e.png) [PointNet](https://qiita.com/minh33/items/d81d68bc3f149f8d70ca)の問題点を改善したPointNet++を理解していきたいと思う！

アルゴリズム

PointNetの問題点

PointNetではlocal構造を学習することが出来なかった。

PointNet++では、sampling & groupingをすることで、local構造を学習する事が出来るように改善した。

sampling

FPS(Farthest Point Sampling)という手法を使ってPointを均等な間隔でK個選ぶ。

Grounping

FPSで選ばれなかったPointを、FPSで選ばれた点のなかから、一番近いGroupに振り分ける。

Segmentation

Sampling & Grouping & pointnetの組わせ(Set abstraction)を行っていくとPointの数が少なくなってきてGlobalの情報を抽出出来るようになる。それを入力Point数までinterpolationとskip Connectionをしながら、元のサイズまで戻す事で、Semantic Segmnentaitonが出来る。

Groupingの向上

![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/482094/e51171b3-39f2-5b6d-e62b-3f06f178c4ec.png) さらに、1つの距離でGroupingするより、複数の距離でGroupingしたほうが、より学習が効率的に行える。

ここでは2つの手法MSGとMRGを提案している。
どっちも複数の領域を学習したいってこと。

結果

![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/482094/1e3bbc67-fe34-a586-16c4-1e45b1b4bc26.png) SSG(Single Scale Grouping)よりMSGとMRGのほうが精度が高くなっている。

MSGの方が精度が良くて、MRGの方が高速

結論

・PointNetに比べてSmpling&GroupingのおかげでLocalの情報が学習しやすくなった。・精度と速度のバランスを考えてMSGかMRGを選ぶべし。

参考文献

PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space https://arxiv.org/pdf/1706.02413.pdf