PointNet++点云处理原理
借鉴了多层神经网络的思想
pointnet要么是一个点，要么是所有点进行操作，就不会有局部上下文信息
pointnet++基本思想是迭代地应用到局部区域
1.多级别特征学习
2.旋转不变性
3.置换不变性
选取中心点centroid，通过pointnet学到这个小区域的全局特征
sampling采样：选取centroid (sample centroids)
grouping分组：以centroid为中心，选取局部的点 (group points by centroids)
PointNet：对分组内的点应用pointnet进行特征的学习 (apply PointNet on each point group)
以上过程加起来称作Set Abstraction
PointNet++层次化特征学习的架构
经过两个set abstraction 得到全局特征
分割用到了interpolate（插值），再进行拼接，拼接后再使用pointnet对每一个点进行分类，有点像图像中的encoder+decoder的结构
在PointNet++中，“interpolate”（插值）是一个关键的操作，尤其在它的特征传播（feature propagation）阶段中扮演着重要的角色。
PointNet++采用的插值方法主要用于特征传播阶段，以实现多尺度特征的融合和细节的恢复。在对点云进行分层采样和分组操作后，网络需要在解码阶段将低维度的特征映射回高维度的空间。这一过程中，插值方法就被用来估计非采样点的特征。
具体来说，PointNet++中的插值方法通常指的是最近邻插值或三线性插值：
- 最近邻插值（Nearest Neighbor Interpolation）：这种方法将某一点的特征值设置为其最近邻点的特征值。它简单且计算成本低，但可能不够平滑。
- 三线性插值（Trilinear Interpolation）：在三维空间中，这种方法基于周围点的特征值通过线性插值计算目标点的特征值，能够生成更平滑的特征映射。然而，点云数据的离散性质意味着这种方法需要适当的调整或替代方案。
实际中，PointNet++常用的是一种加权平均插值方法，其中权重基于点之间的空间距离。例如，在特征传播阶段，可以通过寻找每个上采样点在原始点云中的k个最近邻点，然后基于这些邻点的特征和它们与上采样点的距离，通过加权平均来估计上采样点的特征。
这种插值方法使得PointNet++能够有效地处理不同尺度的点云数据，同时保留更多的空间结构信息，提高了对复杂场景的识别和分类精度。
非均匀采样的密度
小卷积核会受到可变密度的影响，对点云来说，用小的kernel效果不一定好
MSG：同一区域拼接不同半径区域的特征，处理复杂度较高
MRG：不同级别的特征进行拼接
分类结果
分割结果
