引入更多的采样点以增加模型的细节

[JustC0deIt]

首先非常感谢你们团队的努力，让我们看到了如此好的结果。

我现在想将这个项目用于一些特殊工业产品的部件分割中，因此我们会更加关注“特定部件”的分割表现。但是这些“特定部件”通常有以下几个特点：
1.它们的边缘的细节比较重要
2.它们的体积只占整个产品的一小部分

我认为2048个点云难以将这些特征保留下来，因此我在考虑能否通过增加输入的点云数量，以及如果增加这些输入我在后面的网络中该如何进行调整，训练的难度是否会大大上升。

或者在点云的采样策略上有没有一些技巧，例如我们想在凹凸不平，部件程现圆形的这些区域尽可能多的采样，在类似圆柱体这一类较为光滑的区域上较少的采样。

[antao97]

你可以增加点数，对于点数为$N$的一个点云，所需要内存消耗是$N^2$的倍数，所以你需要考虑你的机器计算内存是否够用。

[JustC0deIt]

@antao97 感谢您的说明，这对我们的实验来说是个挑战。

同时，我想请教一个问：
在二维图像的分割任务中，我们通常会把高分辨率的图像进行下采样，最后再还原到一个较高的分辨率。在点云数据中是否有人也尝试过这样的操作呢？在输入网络前我把nx2048的点下采样到2048，在完成分割后还原到nx2048。这样也许能减少很多计算上的压力。

[antao97]

下采样当然是可以的，但是你需要考虑到下采样后点云可能质量不佳，比如下采样后的点过于稀疏，分布不均，等等问题