---------------------------------------------------------------------------------------------
背景：
进来很多3D的应用在兴起，3D传感器在进步，随着虚拟网络的发展转到物理实际中的应用，比如自动驾驶中需要理解 汽车行人交通标识，同时也需要理解三维物体的状态静至，移动
AR深度传感器，也需要做三维场景的理解。需要一种数据驱动的方式，3D deep learning。
三维数据本身有一定的复杂性，2D图像可以轻易的表示成矩阵，3D表达形式：
point cloud ，深度传感器扫描得到的深度数据点云
Mesh，三角面片在计算机图形学中渲染和建模话会很有用。
Volumetric，将空间划分成三维网格，栅格。
Multi-View，用多个角度的图片表示物体
Point c'loud 是一种非常适合于3D场景理解的数据，原因是：
点云是非常接近传感器的数据集，激光雷达扫描之后的，深度传感器（深度图像）只不过是一个局部的点云
原始的数据可以做端到端的深度学习，挖掘原始数据中的模式
Mesh需要选择面片类型和连接
网格需要选择多大的网格，分辨率。
图像的选择，需要选择拍摄的角度，但是表达是不全面的。
之前的大部分工作都是集中在手工设计点云数据的：
特征都是针对特定任务，有不同的假设，新的任务很难优化特征。 希望用深度学习特征学习去解 决数据的问题。
但是点云数据是一种不规则的数据，之前的研究者在点云上会先把它转化成一个规则的数据，比如栅格让其均匀分布，然后再用3D-cnn 来处理栅格数据：
缺点：3D cnn 复杂度相当的高，所以分辨率不高30*30*30 ，量化的噪声错误，限制识别的错误
1、但是如果考虑不计复杂度的栅格，会导致大量的栅格都是空白，智能扫描到表面，内部都是空白的。所以栅格并不是对3D点云很好的一种表达方式
2、有人考虑过，用3D点云数据投影到2D平面上用2Dcnn 进行训练，这样会损失3D的信息。 还要决定的投影的角度
3、点云中提取手工的特征，再接FC，这么做有很大的局限性
我们能否直接用一种在点云上学习的方法：
网络设计有两种点云的特点决定的：
点云是点的集合，对点的顺序不敏感，
最简单的D=3，还可以有其他颜色，法向
点集是无须的，可以做变化，置换不变性。 模型需要对N！需要做到置换的不变性。
系统化的解决方案，对称函数，具有置换不变性。
如何用神经网络构建对称函数：最简单的例子：
但是这种方式只计算了点的边界，损失了很多有意义的几何信息，如何解决呢？
与其说直接做对称性可以先把每个点映射到高维空间，在高维空间中做对称性的操作，高维空间可以是一个冗余的，在max操作中通过冗余可以避免信息的丢失，可以保留足够的点云信息，再通过一个网络r来进一步消化点云的信息。这就是函数hgγ的组合。G是对称的那么整个结构就都是对称的。下图就是原始的pointnet结构。
实际操作过程中：
在实际执行过程中
可以用MLP（Multilayer perceptron） 来描述h和γ，g max polling 效果最好。
接下来有个很有意思的理论问题，用神经网络构建的pointnet中，保证了对称
那么在所有的对称函数中，point(vanilla)是什么样的位置呢？什么样的函数pointnet 能代表，什么函数不能代表
理论：
pointnet 可以任意的逼近堆成函数，只要是对称函数是在hausdorff空间是连续的，那么就可以通过任意的增加神经网络的宽度深度，来逼近这个函数
上面解释了如果通过对称函数，来让点云输入顺序的不变
2、如何来应对输入点云的几何变换，比如一辆车在不同的角度点云的xyz都是不同的 但代表的都是扯，我们希望网络也能应对视角的变换
增加了一个基于数据本身的变换函数模块，n个点 t-net 生成变换参数，目的是对其输入
实际中点云的变化很简单，不像图片做变换需要做插值，做矩阵乘法就可以。比如对于一个3*3的矩阵仅仅是一个正交变换
我们可以推广这个操作，不仅仅在输入作此变换，还可以在中间做 N个点 K维特征，用另外网络生成k*k 来做特征空间的变化，生成另一组特征
高维优化过程中，难度高，需要加正则化，比如希望矩阵更加接近正交矩阵
那么这些变换的网络如何和pointnet结合起来：得到分类和分割网络
首先输入一个n*3的矩阵，先做一个输入的矩阵变换，变成一个3*3的矩阵，然后通过mlp投射到高维空间，形成一个更加归一化的64维矩阵，继续做MLP将64维映射到1024维，在1024中可以做对称性的操作，就是maxpooling，得到globle fearue ，通过级联的全连接网络生成k （分类）
如果是分割呢？ 可以定以成对每个点的分类问题，通过全局坐标是没法对每个点进行分割的，简单有效的做法是，将局部单个点的特征和全局的坐标结合起来，实现分割的功能
最简单的做法是将全局特征重复N遍，每一个个原来单个点的特征连接在一起，相当于单个点在全局特征中进行了一次检索，对连接起来的特征进行MLP的变换，最后输出m类相当于m个score：
结果：
部件分割和完整的分割。
还是个非常轻量级的网络：
对数据的丢失也是非常的鲁棒，对比于voxelnet 的对比
在modelnet 40 的分类问题上，在丢失50%的点的情况下，pointnet仅仅收到2%的影响，与之想想比Voxnet精度相差了20%
为什么呢？
第一行是原始的，我们想知道哪些点对全局特征做出了贡献，maxpooling ，有些店embedded的特征非常小，在经过maxpooling之后对全局特征没有任何的贡献，哪些点是剩下来的胜利者
Critial points （Maxpooling 之后存活下来的大特征点）
只要轮廓和骨骼得到保存，就能把形状分类正确。
--------------------------------------------------------------------------------------------------------------------
PointNet++
pointnet 缺陷：对比3Dcnn
3D和2D很像，只是变成了3D卷积，多级学习 不断抽象，平移不变性。
本质上来说，要么对一个点做操作，要么对所有点做操作，实际上没有局部的概念(loal context)
比较难对精细的特征做学习，在分割上有局限性
2、没有local context 在平移不变性上也有局限性。（xyz）对点云数据做平移 所有的数据都不一样了，导致所有的特征，全局特征都不一样了，分类也不一样
对于单个的物体还好，可以将其平移到坐标系的中心，把他的大小归一化到一个球中，在一个场景中有多个物体不好办，对哪个物体做归一化呢？
pointnet ++ 核心的想法在局部区域重复性的迭代使用pointnet ，在小区域使用pointnet 生成新的点，新的点定义新的小区域，
多级的特征学习，应为是在区域中，我们可以用局部坐标系，可以实现平移的不变性，同时在小区域中还是使用的PN，对点的顺序是无关的，保证置换不变性。
具体的例子： 多级的点云学习：
2D卡通的例子，世界坐标系，先找到一个局部的区域，因为不想受整体平移的影响，可以先把局部的点转换到一个局部坐标系中，在局部中使用pointnet 来提取特征 ，提取完特征以后会得到一个新的点，F （x,y ）在整个点云中的位置，还有个向量特征F（高纬的特征空间），代表小区域的几何形状，
如果重复这个操作就会得到一组新的点，在数量上少于原先的点，但是新的每个点代表了它周围一个区域的几何特点
点集的简化， layer：选择小区域，提取小区域提取局部坐标系，应用point 联合而成。
我们可以重复set abstraction的过程，实现一个多级的网络，下图展示两级
使得点的数量越来越少，但是每个点代表的区域以及感受野，越来越大，这个cnn的概念很类似，，最后把点做一个pooling 得到globle feature，用来做分类。
我们可以将最后的点重新上卷积的方式传回原来的点上，既可以通过3D的插值，可以通过另一种通过pn的方式回传。
在多级网络中有一个很有意思的问题，如何选择局部区域的大小，相较而言就是怎么选择卷积核的大小宽度，如果选择pointnet 作用区域的球的半径。
在卷积神经网络中大量应用小的kernal，在pointcloud中是否一样呢？不一定。
应为pointnet 常见的采样率的不均匀，比如有个depth camera 采到的图像，近的点非常密集，远的点非常稀疏，在密的地方没有问题，在稀疏的会有问题，比如极端的情况，只有一个点，这样学到的特征会非常的不稳定，我们因该避免。
为了量化这个问题，有个控制变量的实验，在1024上训练，减少点的数量相当于减少点的密度，不均匀的减少，
在刚开始1024点的时候point net ++ 更加强大，得到更高的精确度，应为它是在小区域上，随着密度的下降，性能收到了极大的影响，在小于500个点以后性能低于pointnet
结论：在pointcloud 中 如果局部的kernel 操作太小的话，会影响性能被采样率不均匀。
针对于这个问题，我们希望设计一个神经网络来智能学习，如何综合不同区域大小的特征，得到一个鲁棒的学习层，
希望在密集的地方相信这个特征，稀疏的地方不相信这个特征，而去看更大的区域
比较简单的做法是设计一个Multi-scale : 在这个2D的例子中 将不同半径的区域 ，联合在一起。有点像inception 中的结构，
但不一样的是，在训练过程中随机的对输入的dropout, 迫使网络学习若何结合不同的尺度应对损失的数据的特征。
另外一种方式不是在同一级中，而是在不同网络集中综合，有个好处，可以节省计算，下一级的特征已经计算好了，只需要把它池化拿来用就行了。 而在mutile scale中需要对不同尺度分别计算。
发现加了MRG和MSG中，丢失数据后鲁棒性能好很多。丢失75%的点 分类都不会受到影响。
下图是在scanenet 上对场景分割做评估：
pointnet ++ 大幅提高了性能，因为多级的结构，使得他对局部的特征更好的学习，同时还有平移不变性的特点。同时多级分割稍稍提升了性能。
全点云的分割：但个角度，局部点云，多级结构对采样率更鲁棒的MSG大幅提升了partial scan的性能。
另一个POINT ++非常好的性能是 不局限于2D或者3D，可以拓展到任意的测度空间，只要有个定义好的距离函数，下面展示对可变性物体，有机物提分割的数据集
比如分类：AB 属于几何外形相似，但是属于不同的类别，AC反之。
不是想依靠XYZ，想依靠物体表面形状的变化。
上面网络结构、设计原理
----------------------------------------------------------------------------------------------------------------------------------------------
PN在三维场景理解中的应用：
点云支持我们探索全新的解决方案，基于3D数据的解决方案，
侧重前者，3D场流估计可以跳过，
下面是在图片中的表达：再点云中可视化的例子
之前的工作是怎么处理三维物体的呢？
很大一套工作是基于，
先在三维空间中做region proposal， 基于点云投影到图片上，在图片中proposal 三维的box
也可以是3D的cnn来做，
propos完之 后可以把2D和3D的feature 结合到proposal中，做一个分类。
缺点是：三维搜索空间非常大，计算量也非常大，而且在3D中proposal 点云的分辨率非常有限，很多时候很难发现比较小的物体。
另外一套思路是基于图片的，我想通过RGB的图片估计3D的box，依赖于对物体大小的先验知识，很难精确的估计物体的大小和位置。
另外也可以基于depth image。对其领域的定义有很多局限，比如两个点在空间中距离很远，但是投影之后的距离会非常近。
所以在图片的表达形式下，2D的cnn收到了很大的局限。很难精确的估计物体的深度和大小
我们的设计思路 希望结合2D和3D的优点，
针对与RGB-D 的输入，先在RGB图片上用一个2Ddector 得到一个2D的检测框，
因为我们知道camera intrases，我们可以有2D的区域（逆投影）生成一个3D的视锥frustum，接下来对物体的搜索就可以在视锥内进行搜索，我们可以将其转化成在3D点云中搜索的问题，
好处，利用2D的detector 来缩小搜索的范围，本来需要在整个3D空间中，因为有2Ddector的帮忙，可以在视锥的范围内搜索，大幅减少了搜索的计算量和复杂度，
2、在视锥内可以针对于点云做操作，利用点云几何的精确性。利用3D，deeplearning 的工具（pointnet）直接处理点云的数据，得到非常精确的3DBB。
基于视锥的3D物体检测，有两个挑战：
1、前景的遮挡和后景的干扰，基于层级的方法在这都会败下阵来
2、点的范围很大，很难用3D cnn 网格化栅格化。
pointnet 3D点云的解决方案：
利用一个2Ddection 将物体检测出来，根据照相机的参数，可以把2D box 变换到 3d 视锥的范围，由于前景的干扰和后景的干扰，希望把关键点拿出来
所以后面会接一个3D pointnet的分割网络。分割出来以后呢，再用一个精确的网络估计物体的3D bb，位置大小
在汽车 小物体（行人 自行车）优势更大。
因为2D的分辨率很高，小物体有优势
为什么有这么优异的结果呢？有两方面原因：
1 选择了3D 分割方法，相比mask-rcn 。将2d的depth point 拿出来发现分割效果非常差，原因是：在图片中很近，但是在3d中很远的，
另外 对输入做归一化，因为对点云的归一化，可以简化学习问题：
比如：
a：俯视图，汽车的位置视锥的范围x 很大
b：归一化之后，旋转z轴，把z指向视锥的中心方向，简化了x的分布和学习问题，
c：进一步，在深度上，z上有很大的分布，我们基于3D物体分割可以找到分割后的中心，物体的点集中在原点附近，进一步简化
d：可以通过一个网络，去估计物体真实的中心，分割和物体中心可能不一样，在最后绿色坐标系进行bb估计
因为是点云数据，所以归一化操作比较方便。矩阵乘法就可以
总结：
两个网络，对输入顺序的置换不变性，轻量级的结构，对数据的丢失非常鲁棒，提供了一个统一的框架为不同的任务服务。具体在3d场景理解中，3d物体识别的应用
AI不仅仅在场景理解中有用，产品设计，
FAQ：
1 PN没考虑点之间的关系，在PN ++ 中有考虑
2 数据集，部件分割shapenet part 场景 s-3d-s scan-net
3 如果仅仅使用雷达，做3D物体检测，有没有可能进行拓展， 简单的拓展是在雷达中进行propal , 就不是一个视锥的propal了 ，把 雷达投影到地面变成一个鸟瞰图，在里面进行区域的pp，在pp里在估计3DBBx，这还是基于投影的方法。
能否直接在3D中做PP呢？苹果voxelnet 利用了pointnet 和3D cnn 直接在雷达数据中进行PP 和 dection
4 点的数量的评价？
输入点数量是可变吗？训练的时候是固定的，测试时候是可变的。
如果是单个图片的话，是可变的。多个其实也是可以的。只需要强行pad到一样的数目即可
5 未来发展趋势？
2D和3D结合，传感器的分辨率不高，3D几何信息丰富，更好的结合？
6 激光雷达 近密远疏 ，该怎么处理呢？
pointnet ++ 中有些结构 能处理这些不均匀采样率的问题，进一步 可以加W 来调节点云的分布
github 上都有数据集下载 可以 Frustum pointnet
7 pointnet ++ 如何用到实例分割
其实frustum pointnet 就是一种实例分割，实例分割在3D中是一个先做的问题，先有实例分割，后又物体检测
8 pointnet ++ 因为需要对局部特征做处理对GPU有要求
可以解决，可以专门写cuda layer 减少gpu的使用率。
1024 ba32 6G内存
9 frustum point 2d检测是gt还是检测结果：
gt ，进行了扰动，2个好处： 1、简单 2、可以和 2 d dector 有个分离，可以随时换2d dector，而不用重新训练后面的网络。
10 有没有可能直接用PN++ 直接对点云数据做检测？
正在研究，voxelnet 也是解决类似的问题
11 volnet 只对点云数据训练做到kitti第一？
只在车上，因为车相对比较大，只用点云应该够用，行人和自行车比较困难
12 法向量的作用？
如果仔细看的话，物体基于Mutil-view还是最领先的，分辨率高，键盘的建， 但是在点云上看和平板没区别。 在mesh上提取的法向量，就能把平板和键盘区别开
13 猫和马非欧空间是怎么处理的？
先算测地距离，降为到3d，用3d的欧式距离模拟测地距离
14 Tnet 可以用姿态gt 监督其训练
15 point ++ 结果不太问题，modelnet data size限制的，split test，鼓励在test 时进行多次旋转以后平均结果。
16 人脸点云很有潜力
17 3D行人检测有意义吗？
图片暗的时候，可以预防交通事故
18 pointnet ++ 中 release 版本没有+T-net 。在model-net分类上Tnet帮助不大，因为PN++ 已经学了局部特征，局部特征其实对旋转不太敏感，已经可以取得比较好效果
19 PN++ 有对局部点云变换的不变性吗？
局部加T-net 是不太合理的，并不能保证不同局部的变换是统一的，如果需要实现统一，capsil(?) net
20 法国数据集是室外的。 可以试试metapoint3D的数据集
21 RGB 相对于点云是锦上添花的
22 为什么用FPS降采样？希望达到一个均匀采样的效果，尽可能采远处的点
23 point++ 提供了多卡的
24 frustum 在2d检测不准的时候影响截断最终的结果吗？
会，但是有能力复原。但是2d的部分非常不好，会限制3D部分
25 GCNN 和 pointnet ++ 有很多相通的地方，在点云上的应用？
都是在3D空间中寻找局部，然后再局部定义某种操作，形成多级的网络架构
pointnet ++ 不仅适用于2d和3d ，还适用于非常高维的空间