在 3d 点云，GPU 中寻找最近的邻居答案

【问题标题】：Finding nearest neighbours in 3d point cloud, GPU在 3d 点云，GPU 中寻找最近的邻居
【发布时间】：2018-07-07 09:55:59
【问题描述】：

我想通过 GPU 计算点云中每个点的最近邻。我的数据集如下所示：

<number of points in column>
<number of columns>

x   y   z
x   y   z
z   y   z
... ... ...

有将近 20^6 个点。
我正在使用vector<PointXYZ> Input; 来存储数据

class PointXYZ
{
public:
    PointXYZ();
    ~PointXYZ();
    PointXYZ(float X, float Y, float Z) : x(X), y(Y), z(Z) {};

    float x;
    float y;
    float z;

};

在 for 循环中读取数据，它会忽略没有信息的点 (x == 0 && y == 0 && z == 0)。

PointXYZ* NewPoint = new PointXYZ(x, y, z);
Input.push_back(*NewPoint);

这是我的问题：

在将数据发送到 GPU 之前读取数据的最佳输入结构是什么？（当前读数大约需要 120 秒）。
我在 2d 图像中没有正确的点索引（因为我忽略了没有信息的点）。每个点都包含 x,y,z 值。找到 3/6/9 最近邻的最准确但不那么先进的算法是什么？通过 GPU 对这些点进行线性比较（蛮力）是否效率不高？

我正在查看八叉树，但我不确定在没有适当索引的情况下如何划分点云。

【问题讨论】：

你可以reserve(...)你的向量来获取它将包含的元素的最终数量，只分配一次。这将加快速度。此外，如果您想进一步加快速度，请为您的数据集使用二进制数据格式，它会更小
你确定20^6分吗？这大约是 6400 万，对吗？

标签： c++ multidimensional-array gpu gpgpu nearest-neighbor

【解决方案1】：

我刚刚做了一些测试。我使用了一个包含 10'000'000 点的有点聚集的 3D 数据集。实现是用 Java 编写的，我使用了我的 qthypercube2 实现。

对于我的测试，我经常将数据作为一个大的 float[] BLOB 存储在数据库中。将 10'000'000 个点加载到内存中大约需要 0.5 秒。
将数据加载到四叉树中（我使用自己的特殊实现）大约需要 4 秒。
执行 1'000'000 次 3-NN 搜索大约需要 20 秒，对于 10'000'000 次 3-N 搜索大约需要 200 秒或 3.3 分钟。

我从未使用过 GPU，但让我们做一些数学运算：我假设“蛮力”是指将每个点与其他点进行比较？ 10^7 点表示 10^14 次比较操作。每个比较需要 10 个周期（只是有一个数字）意味着 10^15 个计算周期。假设 GPU 允许并行执行 1000 个操作，这仍然意味着 10^12 个周期。如果您的 GPU 主频为 1GHz（每秒 10^9 次操作），则总搜索时间为 10^12/10^9 = 10^3 = 1000 秒。这不考虑：将数据加载到 GPU 中，存储（中间）最近邻，对中间结果进行排序（如果大于 1NN），...

当然，您的 GPU 和 NN 搜索实现的细节可能不同，您的数据集的实际大小也可能不同。所有这些都可能减少或增加这 1000 秒。同样对于四叉树，数据集特征（聚类等）可能会发挥重要作用，搜索类型可能也是如此（我测试了 3 个最近的邻居）。我的实现也是“通用”的，因为它适用于任何维度。专用的 3D 实现可能会更快。

我的猜测：在 10M 点上，使用四叉树应该比 GPU 版本更快，并且肯定更容易实现。

【讨论】：