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
- 设计了适合点云的网络
- 实现3D形状分类,分割,场景分割
- 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 n 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 ) (x,y,z) (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 ) (x,y,z) (x,y,z)
对 k k k个候选类别生成 k k k个分数
分割生成 n × m n\times m n×m个分数, m m m是分割子类
这里为什么 m m m和