三维CNN：收集一些最近的3d卷积网络PointNet++

        PointNet++是在PointNet上做出了改进，考虑了点云局部特征提取，从而更好地进行点云分类和分割。

先简要说一下PointNet:

PointNet，其本质就是一种网络结构，按一定的规则输入点云数据，经过一层层地计算，得出分类结果或者分割结果。其中比较特殊的地方在于两个转换矩阵（input transform & feature transform）的存在，根据文中所说，这两个转换矩阵可以在深度学习过程中保持点云数据的空间不变性。

根据论文里所说，图中的input transform是一个3*3的矩阵，作为深度学习的一个参数存在。而feature transform由于维数较大（64*64），所以文中采用了正交约束的方法限制这个矩阵，从而使优化可以快速收敛。

         PointNet：PointNet Deep Learning on Point Sets for 3D Classification and Segmentation .

         简介：PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation-论文解读

      

         PointNet++：PointNet++: Deep Hierarchical Feature Learning onPoint Sets in a Metric Space

         简介：PointNet++阅读笔记   

        

          

注意事项：

        输入数据的标准化工作，输入一个梯级表示模型。

        从一点开始（可以是密度最高点，也可以随机选取），作为已选集合，使用测地线判断离已选集合最远点，然后更新已选集合，再次添加新的集合最远点，这样不管获得多少个点，都意味着模型的稀疏点表示。随着点集的增加，模型的表示越来越精确。

        刘洪森同学对此网络进行了改进，暂时还没有仔细Get他的进展。

转载于:https://www.cnblogs.com/wishchin/p/9199846.html