点云的处理任务
场景语义分割
物体的三维表达方法（3D representations）：
点云：是由物体表面上许多点数据来表征这个物体。最接近原始传感器数据，且具有丰富的几何信息。
Mesh：用三角形面片和正方形面片拼成一个物体。
Volumetric：一种栅格化的表征方法。
Projected View：通过图片来不同的角度来构成的一个立体的兔子。（附有RGB颜色信息和D深度信息）。
点云数据的获取方法：
（1）可以通过激光雷达扫描所得到；
（2）通过摄影的方法，获取RGB图像，再通过一些方法获取深度信息。最后通过透视即可反推出空间中的一些点云数据。
Depth Sensor（带有深度传感器的摄像头）这种相对图中其他方法更为接近原始传感器数据。过去还需要经过点云对准、去噪等处理。
比如：较为先进的，可以通过多个摄像头进行倾斜摄影来构造点云数据。
点云一般具有的基本信息：位置信息三维坐标：（x，y，z），颜色信息。
另外还可以通过别的方法来获取：强度信息（intensity）、法向量的信息等。
严格来说呢，RGB+D这种结合，只能算为2.5D。
点云数据处理的挑战：
（1）不规则：密集和稀疏的区域不规则。通常激光雷达获取的数据，近密远疏。
（2）非结构化。
（3）无序的。这就带来置换不变性：从几何上来说，这个点云的顺序是没有关系的，不同的点排不同的序还是同一个点云。
对于点云的处理：
（1）结构化表示学习：
1.1基于体素：将非结构化点云数据，转换为右边的很多小栅格所表示的表达方式来处理。
1.2基于多视角：将点云数据通过各个角度来进行投影，得到一个二维视角的一个图像。后续通过比如：CNN进行处理。
（2）深度学习直接在原始点云数据上进行处理：
PointNet–直接处理点云数据的深度学习技术的开山之作
是一个可以完成多种任务的统一框架：
分类、部件分割、场景的语义分割
2.1基于点的方法：PointNet、PointNet++
PointNet（没有考虑局部的上下文信息）：就是对输入的点进行share的多层感知机MLP处理后，经过最大池化，来得到点云的特征。
PointNet++：通过Sampling采样，然后Grouping后，来获得局部信息，以提升性能。
（3）基于卷积的方法：
（4）基于图的方法
对于3D点云的一个深度学习方法的分类：
以前的一些相关工作：
PointNet原理
挑战：
（1）输入的点云是无序的点的集合；
这里有一个点云数据：N个无序的点，每个点表示为D维向量。最简单的就是x，y，z三维坐标，法向量，颜色，强度信息（总之可以表达为一个矢量）
这个点的顺序的集合表示，在改变顺序后，应该还是表示同样的集合。
也就是说对于这种置换、排列应该有同样的结果，难么，什么样的处理能够做到这种置换不变性呢？
对称函数是可以做到这一点的，（就是改变函数中x1到xn的排列顺序后，输出不受影响）
求最大值函数是不是和排列顺序无关呢？求和函数也是啊。那么我们就可以通过神经网络构造这样的对称函数了。
构造复合函数：每个点都经过h这个函数（共享函数）（可以用MLP）进行升维变换，然后经过一个g函数（对称函数）（可以用最大池化maxpooling），比如求最大值，在经过伽马函数，得到特征。这个特征就可以用来分割、分类等。
这里只要g函数是对称的，整个复合函数都是对称的。
但是这里的maxpooling是求每个维度山的最大值，会丢失一些数据点的信息；所以可以使用MLP进行升维变换（每个点单独做MLP，但是MLP的参数是共享的），高维空间里基本信息就会被保留下来。再经过maxpooling，就会得到全局特征（基本上会反映出原来点云数据的基本特征征）。
（2）对于几何变换应该有不变的特性；比如下图中的兔子有不同的视角，但是经过PoinNet后都应该分类为一个兔子。就是说这种几何变换对分类应该不会产生影响。
对于这个点，做的各种变换，最终的结果都不应有不同。设计一个变换的网络来对输入进行对准，（其实就是把点云旋转到一个角度，来更好的进行分类等。）比如，飞机旋转到一个更合适的角度，你会看的更清楚，让物体的特征更加鲜明表示出来。
其实对输入的对准是通过矩阵乘法来实现的：
那么对于MLP升维得到的特征，也可以做一个对特征空间的对准
PointNet分类网络的结构：
最终输出的K，就是对于分类中的每个类别的得分值。
而对于分割网络，有一些变化：
分割需要对每一个点都要做分类，当我们最后得到一个全局特征后（这个其实已经丢失了每个点的基本信息了），我们对每个点进行分类的话，需要每个点的特征，所以这里进行了一个拼接操作，
最终网络的输出是nXm，还是n个点，m表示每个类别的得分情况。
PointNet++原理
是借鉴了多层神经网络的思想，可以进行层次化的多级别学习。
就和CNN类似，不同感受野下的特征学习，然后进行拼接，得到多尺度特征。
PointNet要么就是MLP对所有点学习，要么就是maxpooling对一个点，就丢失了每个点的局部上下文信息（也就是每个点和周围的点的关系）
思想：对局部区域应用PointNet（多次迭代式）：
多级别学习，保持旋转不变性、置换不变性。
（1）多级别学习
多个点组成了字母“A”形状，选择一个点（红色点）作为“中心点”，画一个圈，圈里面的点作为一个组，接着对这个点应用给PointNet进行特征提取。就可以学到这个局部小区域的全局特征。
这个小区域可以是多个且可以重叠：
这里的确定centroid中心点就叫：Sampling采样。
确定以后，以centroid为中心选取局部的点就叫：Grouping分组。
最后对每个小分组应用PointNet进行特征学习。就得到最终小方块组成的点了。这些方块点就具有局部上下文信息特征了。
然后还可以接着小方块再次进行centroid的确定，再Grouping，再应用PointNet。就完成了多级别的特征学习了。
Set Abstraction = Sampling + Grouping + PointNet。
Set Abstraction：
（1）Sampling ：可以均匀采样；相较于随机采样，最远点采样可以更好的覆盖采样空间。
选取距离这个点集合最远的那个点。
（2）Grouping ：
可以利用机器学习K-means。
也可以利用球查询。以centroid为中心，按照半径（三维空间中）来找。可以保证固定区域的尺寸，让这个局部特征在整个空间中更具通用性。
PointNet++的层次化特征学习结构：
经过两次Set Abstraction，就得到一个全局化特征了。可以用来做分类；
分割的话，用了一个插值，多级别学习，点是逐渐变得稀疏的，分割是需要对原始点云数据中的每个点做分类，这样的话特征是不够的，做一个插值让点数增加；类似于RGB分割的编码（下采样）与解码（上采样）操作。
插值方式，其实就是基于距离：
非均匀采样密度：
获取点云数据的时候，通常会出现近密远疏的现象：
会影响层次化特征学习，分组半径的选择就需要进行考量，那么对于密集点和稀疏点就不应该选取同样的半径进行分组。
点的密集程度会对网络产生性能影响：
处理方法：
（1）MSG：这是对于同一级别，选取不同的半径进行分组来提取局部特征，然后拼接不同区域得到的结果；
（2）MRG：在不同级别上，将第一次的Set Abstraction的结果作为下一级别的输入。将两次Set Abstraction的结果进行拼接。
网络结构中的一些表达方式：
除了MSG，还有SSG：
用了多个SA（Set Abstraction）（但是多个SA不做拼接），每个SA有不同的半径，整个物体的尺寸都被归一化（以中心点为原点，最远点的距离是1）；
而MSG：
多个SA，每个SA有多个不同的半径，比如这里的SA（512，[0.1，0.2，0.4]），有0.1，0.2，0.4不同的半径，不同半径的局部特征要做拼接。
