deep-learning - 点云数据集的归一化（特征缩放）

Question

我有点云数据集，其中单个数据由 N * 3 表示，其中 N 是点数。同样，我在数据集中有“M”个点云。这些点云的范围变化很​​大。有些具有非常大的值（例如，对于所有 N 个点，10^6），而有些具有非常小的值（例如，对于所有 N 个点，10^1）。我想标准化每个点云。我该怎么做？

Q1。我是否应该通过仅从该点云中选择最小值和最大值来沿 x、y、z 维度单独标准化（最小-最大值）每个点云（单个点云 N*3）。在这种情况下，对于所有“M”点云，我们有不同的 min-max。输出点云也是如此。请查看图片了解更多https://i.stack.imgur.com/tKauw.jpg

Q2。或者我是否应该仅通过从整个数据集中选择 min 和 max（从 x、y、z 列中的 M * N *3 中）来标准化（min-max）沿 x、y、z 维度的所有点云。在这种情况下，对于所有“m”点云，我们都有相同的 min-max。请查看图片了解更多 https://i.stack.imgur.com/0HAhn.jpg

标签： deep-learningpytorchpoint-cloudsbatch-normalizationfeature-scaling

Answer 1

您应该使用选项 1。

标准化的重点是标准化网络的输入- 在最小-最大标准化的情况下，这会将您的 3 个特征（我假设xyz）映射到区间 [0,1]。

选项 2 是不可取的，因为它改为标准化标准化。由于您的点云的质心变化很大，这将增加模型输入辨别的难度。

您还可以考虑使用可变标准差进行标准化。