最远点采样(Farthest Point Sampling)介绍

最远点采样(Farthest Point Sampling)是一种非常常用的采样算法，由于能够保证对样本的均匀采样，被广泛使用，像3D点云深度学习框架中的PointNet++对样本点进行FPS采样再聚类作为感受野，3D目标检测网络VoteNet对投票得到的散乱点进行FPS采样再进行聚类，6D位姿估计算法PVN3D中用于选择物体的8个特征点进行投票并计算位姿。

对于FPS算法的原理，两篇博文：PointNet++的pytorch实现代码阅读，以及 PointNet++详解与代码
已经介绍的非常详细了，一句话概括就是不断迭代地选择距离已有采样点集合的最远点。这里再介绍一遍，并实测分析一下；

FPS算法原理：

输入点云有N个点，从点云中选取一个点P0作为起始点，得到采样点集合S={P0}；
计算所有点到P0的距离，构成N维数组L，从中选择最大值对应的点作为P1，更新采样点集合S={P0，P1}；
计算所有点到P1的距离，对于每一个点Pi，其距离P1的距离如果小于L[i]，则更新L[i] = d(Pi, P1)，因此，数组L中存储的一直是每一个点到采样点集合S的最近距离；
选取L中最大值对应的点作为P2，更新采样点集合S={P0，P1，P2}；
重复2-4步，一直采样到N’个目标采样点为止。

有两个问题，一个是初始点选择，一个是采用的距离度量；

初始点选择：
- 随机选择一个点，每次结果不同；
- 选择距离点云重心的最远点，每次结果相同，一般位于局部极值点，具有刻画能力；
距离度量
- 欧氏距离：主要对于点云，在3D体空间均匀采样；
- 测地距离：主要对于三角网格，在三角网格面上进行均匀采样；

下面给出测试样例，也来自上面两篇博文：

from __future__ import print_function
import torch
from torch.autograd import Variabledef farthest_point_sample(xyz, npoint): """Input:xyz: pointcloud data, [B, N, 3]npoint: number of samplesReturn:centroids: sampled pointcloud index, [B, npoint]"""xyz = xyz.transpose(2,1)device = xyz.deviceB, N, C = xyz.shapecentroids = torch.zeros(B, npoint, dtype=torch.long).to(device)     # 采样点矩阵（B, npoint）distance = torch.ones(B, N).to(device) * 1e10                       # 采样点到所有点距离（B, N）batch_indices = torch.arange(B, dtype=torch.long).to(device)        # batch_size 数组#farthest = torch.randint(0, N, (B,), dtype=torch.long).to(device)  # 初始时随机选择一点barycenter = torch.sum((xyz), 1)                                    #计算重心坐标 及 距离重心最远的点barycenter = barycenter/xyz.shape[1]barycenter = barycenter.view(B, 1, 3)dist = torch.sum((xyz - barycenter) ** 2, -1)farthest = torch.max(dist,1)[1]                                     #将距离重心最远的点作为第一个点for i in range(npoint):print("-------------------------------------------------------")print("The %d farthest pts %s " % (i, farthest))centroids[:, i] = farthest                                      # 更新第i个最远点centroid = xyz[batch_indices, farthest, :].view(B, 1, 3)        # 取出这个最远点的xyz坐标dist = torch.sum((xyz - centroid) ** 2, -1)                     # 计算点集中的所有点到这个最远点的欧式距离print("dist    : ", dist)mask = dist < distanceprint("mask %i : %s" % (i,mask))distance[mask] = dist[mask]                                     # 更新distance，记录样本中每个点距离所有已出现的采样点的最小距离print("distance: ", distance)farthest = torch.max(distance, -1)[1]                           # 返回最远点索引return centroidsif __name__ == '__main__':sim_data = Variable(torch.rand(1,3,8))print(sim_data)centroids = farthest_point_sample(sim_data, 4)print("Sampled pts: ", centroids)

输出结果如下，可以看到得到的mask只有True的情况下，才会用当前计算的dist替换distance，这样distance中存储的一直是每一个点到采样点集合的最近距离，从中选择最大值就找到了下一个采样点。

tensor([[[0.4442, 0.7545, 0.8402, 0.1476, 0.6654, 0.1622, 0.1818, 0.3758],[0.0328, 0.3010, 0.0910, 0.4768, 0.6825, 0.3810, 0.1923, 0.4230],[0.5849, 0.4576, 0.5159, 0.0993, 0.3962, 0.1519, 0.0429, 0.3123]]])
-------------------------------------------------------
The 0 farthest pts tensor([2])
dist    :  tensor([[0.1649, 0.0548, 0.0000, 0.8021, 0.3947, 0.6762, 0.6675, 0.3673]])
mask 0 : tensor([[True, True, True, True, True, True, True, True]])
distance:  tensor([[0.1649, 0.0548, 0.0000, 0.8021, 0.3947, 0.6762, 0.6675, 0.3673]])
-------------------------------------------------------
The 1 farthest pts tensor([3])
dist    :  tensor([[0.5210, 0.5276, 0.8021, 0.0000, 0.3985, 0.0122, 0.0853, 0.1003]])
mask 1 : tensor([[False, False, False,  True, False,  True,  True,  True]])
distance:  tensor([[0.1649, 0.0548, 0.0000, 0.0000, 0.3947, 0.0122, 0.0853, 0.1003]])
-------------------------------------------------------
The 2 farthest pts tensor([4])
dist    :  tensor([[0.5067, 0.1572, 0.3947, 0.3985, 0.0000, 0.4038, 0.5989, 0.1583]])
mask 2 : tensor([[False, False, False, False,  True, False, False, False]])
distance:  tensor([[0.1649, 0.0548, 0.0000, 0.0000, 0.0000, 0.0122, 0.0853, 0.1003]])
-------------------------------------------------------
The 3 farthest pts tensor([0])
dist    :  tensor([[0.0000, 0.1844, 0.1649, 0.5210, 0.5067, 0.3882, 0.3881, 0.2312]])
mask 3 : tensor([[ True, False, False, False, False, False, False, False]])
distance:  tensor([[0.0000, 0.0548, 0.0000, 0.0000, 0.0000, 0.0122, 0.0853, 0.1003]])
Sampled pts:  tensor([[2, 3, 4, 0]])

最远点采样(Farthest Point Sampling)介绍相关推荐

最远点采样(Farthest Point Sampling)
简介以下我们将最远点采样(Farthest Point Sampling)简记为FPS.这种采样方法我觉得非常有趣.个人觉得比随机采样得到的数据能够表现更多的"轮廓性",其次用的 ...
最远点采样(Farthest Point Sampling,FPS)算法详解
最远点采样(FSP)是一种常用的采样算法,主要用于点云数据(如激光雷达点云数据.分子坐标等)的采样. 一:算法原理最远点采样的研究对象是点云数据,即一堆离散的坐标点.广义上其它许多样本数据类型也可以 ...
FPS(farthest_point_sample) 最远点采样并可视化（附open3d python代码）
最远点采样(Farthest Point Sampling)是一种非常常用的采样算法,由于能够保证对样本的均匀采样,被广泛使用. 一句话概括就是不断迭代地选择距离已有采样点集合的最远点. FPS算法原 ...
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) 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 ...
Farthest Point Sampling（最远点采样）
Farthest Point Sampling 作用:是一种非常常用的采样算法,由于能够保证对样本的均匀采样,被广泛使用. 直观化的解释图片: 其他还有,自适应采样,参考连接 https://boug ...
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} ...
计算机视觉知识点整理：PointNet++之最远点采样（farthest point sample, FPS）代码理解
# farthest_point_sample函数完成最远点采样: # 从一个输入点云中按照所需要的点的个数npoint采样出足够多的点, # 并且点与点之间的距离要足够远. # 返回结果是npoin ...
Farthest Point Sampling on 2d image
Farthest Point Sampling的原理是,先随机选一个点,然后呢选择离这个点距离最远的点(D中值最大的点)加入起点,然后继续迭代,直到选出需要的个数为止其主要代码如下: %main.m ...
【最远点采样FPS】点云采样方式（一） — 最远点采样
本文为博主原创文章,未经博主允许不得转载. 本文为专栏<python三维点云从基础到深度学习>系列文章,地址为"https://blog.csdn.net/suiyingy/ar ...

最远点采样(Farthest Point Sampling)介绍

最远点采样(Farthest Point Sampling)介绍相关推荐

最新文章

热门文章