PointNet局限性：由于PointNet将所有点进行信息提取，虽然遵循了点云的无序性，但忽略了点的几何性质（点的邻域信息），在进行语义分割的时候，会产生特征学习错误

PointNet++：

SA模块（Set Abstraction Layers）

 学习局部邻域信息，层次化提取

Farthest Point Sampling +Grouping+PointNet

Sampling layer最远点采样（FPS）：（增大感受野）

自定义从某一区域（包含n个点）选取具有代表性的m个点

随机选取一个点P_{0^{（m的第一个点）}}，在剩下的（n-1）个点中找寻距离最远的点P_{1^{（m的第二个点）}}。

计算剩余（n-2）个点每个点距离P₀和P₁的最小距离，得到（n-2）个值，在（n-2）个值中找寻最大值，最大值所对应的点即我们要寻找的P_{2^{（m的第三个点）}}。……以此类推

Grouping layer：

 组建局部邻域,两个变量，每个区域中点的数量k，球的半径

方法：Ball query

Point Net layer：

对每一组按照PointNet的方式提取特征，并用最大池化得到每一组点的全局特征。假设特征数量为nfeature，那么SA模块返回的特征维度为nfeature X npoint，同时SA模块会返回最远点采样的坐标，以便于进一步连续进行SA操作。

 PointNet++分类+分割：

分类：两个SA模块提取，在经过PointNet提取特征，全链接层加权分类

分割：Navie solution Plus: Broadcasting + Skip links

Broadcasting（传播）

逆距离加权，通过通道拼接，利用层次化信息，计算补全所有点的信息，3D插值，反向传播。

$u\left(x\right)=\{\begin{array}{l}\frac{\sum _{i=1}^N{w}_i\left(x\right)u_i}{\sum _{i=1}^{·u}{w}_i\left(x\right)},x\ne x_i\\ u_{\mathrm{i}},x\ne x_i\end{array}$

$w_i\left(x\right)=\frac{1}{d{(x,x_i)}^p}$

Robust to non-uniform sampling density(鲁棒性非均匀采样)

针对密度不均匀，达到期望：密度高的地方采样半径小，密度低的时候，采样半径小

解决办法：Multi-scale grouping (MSG) 、Multi-resolution grouping(MRG)