【3D点云识别】PointNet论文和代码理解

---

解决什么问题

点云的分类和分割

---

本文创新点\贡献

点云只是一组点的集合，因此其成员的排列是不变的，因此在网络计算中需要一定的对称性

为什么这样就需要对称性了？
这里的对称性也没搞懂，作者一直说对称函数，其实也就是max pool，看别的博客说是离散数学的概念

1. 设计了适合点云的网络
2. 实现3D形状分类，分割，场景分割
3. 实验和理论分析很完善

---

方法

方法概述

直接输入点云，其中做了两次T-Net转换，之后有两个任务，一个是分类，一个是分割。分类是点共同得到一个全局特征，然后全连接得到类别分数。分割是将全局特征重复，重复成$n$个全局特征，然后结合feature transform生成的特征，做出预测

可视化结果显示是通过分析点云的关键点，比如说对应物体的估计，来做的。

点云 { P i ∣ i = 1 , . . . , n } \{ P_i | i=1,...,n\} { Pi​∣i=1,...,n}，表示$(x,y,z)$坐标和额外的特征，比如颜色，法线，一般是只用$(x,y,z)$

对$k$个候选类别生成$k$个分数

分割生成$n\times m$个分数，$m$是分割子类

这里为什么$m$和