一、回忆Farthest Point Sampling算法过程（建议详细看完）

我们选取一个点云，我们假设整个点集为一共有n个点，来进行算法的讲解。

随机在整个点集中选取一个点作为起始点，并且放入集合中，其中集合B为我们采样后的点集。
计算剩余n-1个点到的距离，并且选择距离最大的点，假设为，并将这个点写入集合。
计算剩余n-2个点距离集合B中的点的距离，并选取最小的距离值假设为，其中假设点为，再计算n-2个点距离集合B中点的距离，并选取最小的距离值假设为，其中假设点为,随后选取和中比较大的值，假设>。则将，放入点集。
重复上面的第三步，直到选出我们需要的采样点个数时，终止运行。

建议、建议、建议：网上有很多博客已经写好这个算法，建议大家将算法原理对应代码过程，理解算法中的原理。

python：大家可以看一下这个博客中的代码实现：

链接转载，感谢博主

二、重点：我们今天的重点，深度学习中FPS采样算法流程以及代码实现

其实，你会发现深度学习中运行FPS速度很快，但是我们按照算法流程编写代码运行以后，速度非常的慢，这是由于我们写的算法是每个点之间的计算，但是深度学习中是矩阵的运算，而且在GPU上运行，所以速度比较快。

下面图解，可能有些抽象，大家对照代码理解。

首先，我们可以整体看一下这个过程：

其次，我们简述FPS内部过程：定义一些常量（对照代码看名称）

第一次循环：

第二次循环：

进行512次循环，即可得到采样点的index，维度为（64，512）。

主要是每次更新distance矩阵的值，然后求最远点，将最远点的index保存到centroids中。保证dist

以下代码为完整FPS的过程：

def farthest_point_sample(xyz, npoint, RAN=True):"""Input:xyz: pointcloud data, [B, N, C]npoint: number of samplesReturn:centroids: sampled pointcloud index, [B, npoint]"""device = xyz.deviceB, N, C = xyz.shapecentroids = torch.zeros(B, npoint, dtype=torch.long).to(device)   #用来储存采样index
#[64,512]distance = torch.ones(B, N).to(device) * 1e10      #用来储存距离
#[64,2048]if RAN:farthest = torch.randint(0, 1, (B,), dtype=torch.long).to(device)   #表示上一次抽样的到点 [64]else:farthest = torch.randint(1, 2, (B,), dtype=torch.long).to(device)batch_indices = torch.arange(B, dtype=torch.long).to(device)  #一个1-B的整数 [64]for i in range(npoint):centroids[:, i] = farthest  centroid = xyz[batch_indices, farthest, :].view(B, 1, 3)  #找出上一次采样的点
#[64,1,3]dist = torch.sum((xyz - centroid) ** 2, -1)#[64,2048]mask = dist < distance  #更新每次最小距离distance[mask] = dist[mask]farthest = torch.max(distance, -1)[1]  #求取最大距离 [64]print(farthest)return centroids

以下代码将FPS抽取出来的点云的index，转化为点云：

def index_points(points, idx):"""Input:points: input points data, [B, N, C]idx: sample index data, [B, S]Return:new_points:, indexed points data, [B, S, C]"""device = points.deviceB = points.shape[0]view_shape = list(idx.shape)view_shape[1:] = [1] * (len(view_shape) - 1)repeat_shape = list(idx.shape)repeat_shape[0] = 1batch_indices = torch.arange(B, dtype=torch.long).to(device).view(view_shape).repeat(repeat_shape)new_points = points[batch_indices, idx, :]return new_points

运行结果显示：可以从2048个点-->采样到512个点。

图解点云深度学习中FPS(Farthest Point Sampling)--最远点采样算法相关推荐

FPS(Farthest Point Sampling)——最远点采样
1.算法流程假设点个数为N,N = {P1,P2,-,Pn},经过采样后点的集合为S,初始时S = {},采样c个点 <1> 在N个点中随机选择1个点Pk1,放入S,S = {Pk1} ...
重读经典（点云深度学习开山之作）：《Deep learning on point clouds for 3D scene understanding》(持续更新中)
本文介绍的是 PointNet 作者的博士论文:3D场景理解中的点云深度学习.从上图可以看到,整个博士论文主要贡献有两块:一是点云深度学习的网络架构(PointNet 和 PointNet++):二是 ...
(图解)一步一步使用CPP实现深度学习中的卷积
(图解)一步一步使用CPP实现深度学习中的卷积导语卷积操作在深度学习中的重要性,想必大家都很清楚了.接下来将通过图解的方式,使用cpp一步一步从简单到复杂来实现卷积操作. 符号约定 F为输入; w ...
国防科技大学发布最新「3D点云深度学习」综述论文
点击上方"深度学习技术前沿",选择"星标"公众号资源干货,第一时间送达 3D点云学习( Point Clouds)作为近年来的研究热点之一,受到了广泛关注,每 ...
分割点云数据_3D点云深度学习综述：三维形状分类、目标检测与跟踪、点云分割等...
3D点云学习( Point Clouds)作为近年来的研究热点之一,受到了广泛关注,每年在各大会议上都有大量的相关文章发表.当前,点云上的深度学习变得越来越流行,人们提出了许多方法来解决这一领域的不同 ...
综述 | 国防科技大学发布最新「3D点云深度学习」综述论文
点上方蓝字计算机视觉联盟获取更多干货在右上方 ··· 设为星标 ★,与你不见不散编辑:Sophia 计算机视觉联盟报道 | 公众号 CVLianMeng 转载于 :专知 [人工智能资源(书籍 ...
TPAMI三维点云深度学习技术综述
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨单博来源丨笑傲算法江湖点击进入->3D视觉工坊学习交流群国防科大 IEEE TPA ...
【论文翻译】点云深度学习综述 -- Deep Learning for 3D Point Clouds: A Survey
论文链接:Deep Learning for 3D Point Clouds: A Survey 文章目录摘要 1. 介绍 2. 三维形状分类 2.1 基于投影的网络 2.1.1 多视图表示 2.1 ...
【论文阅读】基于PointNet++点云深度学习的背包激光扫描数据的树种分类
摘要要调查森林资源,必须确定树种.然而,使用通过光探测和测距 (LiDAR) 收集的树木的 3D 点云来识别树种是一项挑战.PointNet++是一种点云深度学习网络,可以有效地对3D对象进行分类. ...

图解点云深度学习中FPS(Farthest Point Sampling)--最远点采样算法

一、回忆Farthest Point Sampling算法过程（建议详细看完）

二、重点：我们今天的重点，深度学习中FPS采样算法流程以及代码实现

图解点云深度学习中FPS(Farthest Point Sampling)--最远点采样算法相关推荐

最新文章

热门文章