learning_to_sample:一种针对点云的学习采样方法（CVPR 2019）

学习样品 由特拉维夫大学的Oren Dovrat，Itai Lang和Shai Avidan创建。 介绍 我们提出了一种针对点云的学习型采样方法。 请参阅我们的。 处理大点云是一项艰巨的任务。 因此，通常会将数据采样到可以更轻松地处理的大小。 问题是如何对数据进行采样？ 一种流行的采样技术是最远点采样（FPS）。 但是，FPS对于下游应用程序是不可知的（分类，检索等）。 基本假设似乎是，如FPS所做的那样，最小化最远的点距离可以很好地替代其他目标函数。 我们表明，最好学习如何进行采样。 为此，我们提出了一个深度网络来简化3D点云。 称为S-NET的网络采用一个点云，并生成针对特定任务进行了优化的较小的点云。 不能保证简化的点云是原始点云的子集。 因此，我们在后期处理步骤中将其与原始点的子集进行匹配。 通过在两个标准数据集上进行实验，我们将我们的方法与FPS进行了对比，并针对各种应用显示了