[论文笔记]RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds

针对目前点云分割存在速度慢、显存需求大的问题，该文提出以一种高效率学习的方法。从论文的结果来看，该文不仅在计算时间和计算资源上大幅缩减，分割效果也是达到甚至超过了SOTA。

大规模点云处理的一个挑战在于如何快速且有效地进行采样，从而加速应用所需的时间和计算资源。针对这个问题，本文的一个贡献在于比对了现有方法的效率，也是一个很好的总结。采样方法分成两大类，具体如下：

• Heuristic Sampling（启发式采样）
  • Farthest Point Sampling (FPS)

　　　　　　这应该最主流的采样方法，包括PointNet++在内的诸多方法都采用该采样法。基本思想是对点云进行重新排序$\{p_1, p_2,...,p_K\}$，每个点$p_i$都是距离前$i-1$个点最远的点。该方法覆盖程度高，但计算复杂度是$O(N^2)$。经作者实验，单张GPU每10e6个点需要大约200秒。

• Learning-based Sampling（学习式采样）

[论文笔记]RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds

原文：https://www.cnblogs.com/xiaoaoran/p/12342144.html