点云下采样方法总结（downsampling in pointcloud）

前言：相比于投影或体素分割的方法处理点云，直接对点云进行特征提取能较好地保留三维结构信息，但由于点云的无序性，直接处理的方式在对邻域进行搜索时需要较高的计算成本。一个常用的解决方式就是对点云进行下采样，将对全部点云的操作转换到下采样所得到的关键点上，降低计算量。FPS(farthest point sampling)是一种较为常用的非学习式的下采样方法，其具有简单快速的特点，因此成为众多点云处理网络的采样方案，但是FPS仅仅是基于点的位置和欧式距离作为采样依据，对点云的稀疏性以及语义信息无感，所以在进行高层任务（目标检测等）时也具有一定的弊端。本文总结了一些对FPS的扩展工作，并对比了他们的优势。

FPS:FPS采样依据为点与点之间地欧式距离。最远点采样的优势在于能够尽可能均匀地覆盖空间中的所有点，相比随机采样，FPS对点集的密度分布差异具有很好地鲁棒性。
算法简介：（参考https://blog.csdn.net/QFJIZHI/article/details/103419044）
假设一共有n个点,整个点集为N = {f1, f2,…,fn}, 目标是选取n1个起始点做为下一步的中心点:

• 随机选取一个点fi为起始点，并写入起始点集 B = {fi};
• 选取剩余n-1个点计算和fi点的距离，选择最远点fj写入起始点集B={fi,fj};
• 选取剩余n-2个点计算和点集B中每个点的距离, 将最短的那个距离作为该点到点集的距离, 这样得到n-2个到点集的距离，选取最远的那个点写入起始点B = {fi, fj ,fk},同时剩下n-3个点,
• 如果n1=3 则到此选择完毕;
• 如果n1 > 3则重复上面步骤直到选取n1个起始点为止.

Feature-FPS: 由CVPR2020论文3D-SSD (3DSSD: Point-based 3D Single Stage Object Detector)提出。顾名思义，就是采样依据不再是欧氏距离而是点的高级特征（学习