pointnet input_transform_net2

先看工程中的调用

    with tf.variable_scope('transform_net2') as sc:
        transform = feature_transform_net(net, is_training, bn_decay, K=64)

with....类似C++里面的namespace、

输入的net是shape[32,1024,1,64],pointcloud乘以transformnet训练输出的32个3x3的矩阵进行旋转平移，保证了点云旋转不变性，再为了旋转继续拓展一维到32，1024，3，1。

然后经过conv1，卷积为32，1024，1，64，的tensor再经过conv2，继续卷积为32，1024，1，64.

最后来到第二个transform_net2进行特征值的旋转矩阵训练net，具体代码如下：

bn_decay为初始化过程中定义的指数增加learningrate。

def feature_transform_net(inputs, is_training, bn_decay=None, K=64):
    """ Feature Transform Net, input is BxNx1xK
        Return:
            Transformation matrix of size KxK """
    batch_size = inputs.get_shape()[0].value
    num_point = inputs.get_shape()[1].value

    net = tf_util.conv2d(inputs, 64, [1,1],
                         padding='VALID', stride=[1,1],
                         bn=True, is_training=is_training,
                         scope='tconv1', bn_decay=bn_decay)
    net = tf_util.conv2d(net, 128, [1,1],
                         padding='VALID', stride=[1,1],
                         bn=True, is_training=is_training,
                         scope='tconv2', bn_decay=bn_decay)
    net = tf_util.conv2d(net, 1024, [1,1],
                         padding='VALID', stride=[1,1],
                         bn=True, is_training=is_training,
                         scope='tconv3', bn_decay=bn_decay)
    net = tf_util.max_pool2d(net, [num_point,1],
                             padding='VALID', scope='tmaxpool')

    net = tf.reshape(net, [batch_size, -1])
    net = tf_util.fully_connected(net, 512, bn=True, is_training=is_training,
                                  scope='tfc1', bn_decay=bn_decay)
    net = tf_util.fully_connected(net, 256, bn=True, is_training=is_training,
                                  scope='tfc2', bn_decay=bn_decay)

    with tf.variable_scope('transform_feat') as sc:
        weights = tf.get_variable('weights', [256, K*K],
                                  initializer=tf.constant_initializer(0.0),
                                  dtype=tf.float32)
        biases = tf.get_variable('biases', [K*K],
                                 initializer=tf.constant_initializer(0.0),
                                 dtype=tf.float32)
        biases += tf.constant(np.eye(K).flatten(), dtype=tf.float32)
        transform = tf.matmul(net, weights)
        transform = tf.nn.bias_add(transform, biases)

    transform = tf.reshape(transform, [batch_size, K, K])
    return transform

第一句到第七句，可以参考pointnet学习（八）tf_util.conv2d以及pointnet tf_util.max_pool2d

第七句reshape，输出为32，1024，

第八句，第九句，pointnet tf_util.fully_connected，本质是声明一个输入的1024维度与输出512，256，初始化一个1024，512的weight以及512，256的weight。得到fullyconnect的乘积tensor

最后经过weight256，K*K(K=64)以及bias的到feature的transformnet矩阵，为32个64*64的旋转矩阵。

同样保障了特征值的形状不变性。