摘要
很少有先前的研究探讨点集上的深度学习。Qi等人提出的PointNet在这方面开创了先河。然而，由于设计上的限制，PointNet无法捕捉由点所处的度量空间诱导的局部结构，这限制了其识别细粒度模式的能力以及在复杂场景中的泛化能力。在这项工作中，我们引入了一种分层神经网络，该网络递归地应用于输入点集的嵌套分区上。通过利用度量空间距离，我们的网络能够学习具有逐渐增加上下文尺度的局部特征。进一步观察到，点集通常以不同的密度进行采样，这导致在均匀密度数据上训练的网络性能大幅下降。为此，我们提出了新颖的集合学习层，以自适应地结合多尺度特征。实验表明，我们提出的名为PointNet++的网络能够高效且稳健地学习深层点集特征。特别是在具有挑战性的3D点云基准测试中，结果显著优于现有最佳方法。