1 概要

题目：PointGrid: A Deep Network for 3D Shape Understanding
论文：https://openaccess.thecvf.com/content_cvpr_2018/papers/Le_PointGrid_A_Deep_CVPR_2018_paper.pdf
代码：https://github.com/trucleduc/PointGrid

2 Motivation

简单点云过于稀疏，occupancy grid密集表达信息冗余，空间耗费较大；
因此提出来混合3D形状表达，也即量化版的occupancy grid。如下图所示：

3 思想

主要是借鉴了点云里的均匀量化来解决点云太多浪费空间的情况，选取了量化步长以及每个网格里的点数。

4 算法

主要是选用了量化，然后用在了两个任务上：分类和分割。
因为关注在PointGrid上，所以后面就不列出来了；

5 实验结果

效果在当时看来还是不错的，且网格大小反到是在 32 × 32 × 32 32\times 32\times 32 32×32×32表现较好，并不是越小越好；且K取值的增加一定程度上能够增加表现效果，但是K=1也不赖。

6 结论及思考

传统指引，一个很简单的部分可以用到深度学习里就是一个亮点；
简单，有效，好过复杂难用；