点云数据集的归一化（特征缩放）答案

【问题标题】：Normalization (Feature scaling) of Point Cloud Dataset点云数据集的归一化（特征缩放）
【发布时间】：2019-12-09 05:45:15
【问题描述】：

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 维度单独归一化（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。更多了解请查看图片https://i.stack.imgur.com/tKauw.jpg

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

【问题讨论】：

标签： deep-learning pytorch point-clouds batch-normalization feature-scaling

【解决方案1】：

您应该使用选项 1。

标准化的重点是标准化输入到您的网络 - 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高度可变，这将增加您的模型输入辨别的难度。

您也可以考虑使用可变标准差进行标准化。

【讨论】：