pointnet provider.rotate_point_cloud provider.jitter_point_cloud

首先看调用

rotated_data = provider.rotate_point_cloud(current_data[start_idx:end_idx, :, :])
            jittered_data = provider.jitter_point_cloud(rotated_data)

pointnet工程中，current_data取出batchsize个pointnet模型数据。作为输入参数

def rotate_point_cloud(batch_data):
    """ Randomly rotate the point clouds to augument the dataset
        rotation is per shape based along up direction
        Input:
          BxNx3 array, original batch of point clouds
        Return:
          BxNx3 array, rotated batch of point clouds
    """
    rotated_data = np.zeros(batch_data.shape, dtype=np.float32)
    for k in range(batch_data.shape[0]):
        rotation_angle = np.random.uniform() * 2 * np.pi
        cosval = np.cos(rotation_angle)
        sinval = np.sin(rotation_angle)
        rotation_matrix = np.array([[cosval, 0, sinval],
                                    [0, 1, 0],
                                    [-sinval, 0, cosval]])
        shape_pc = batch_data[k, ...]
        rotated_data[k, ...] = np.dot(shape_pc.reshape((-1, 3)), rotation_matrix)
    return rotated_data

首先声明一个32，1024，3的array，类型是float，设置为0

然后进入循环，从0~31

首先产生0~1之间的随机数，乘以2Π，得到一个角度。

然后求此角度的cos和sin

最后组成一个3x3的旋转矩阵

最后先将1，1024，3的np array reshape为1024，3的array与旋转矩阵相乘，得到旋转的point点云模型数据，最后返回作为训练的输入，这是又增加一次样本量

接着我们来看下一句的具体定义

def jitter_point_cloud(batch_data, sigma=0.01, clip=0.05):
    """ Randomly jitter points. jittering is per point.
        Input:
          BxNx3 array, original batch of point clouds
        Return:
          BxNx3 array, jittered batch of point clouds
    """
    B, N, C = batch_data.shape
    assert(clip > 0)
    jittered_data = np.clip(sigma * np.random.randn(B, N, C), -1*clip, clip)
    jittered_data += batch_data
    return jittered_data

这里不难看出，是随机一个shape为32，1024，3的array值为0~0.01之间，最大值为0.05最小值为-0.05，然后跟刚刚旋转过的模型进行相加得到新的data

由此可见这两个参数的作用就是对模型数据进行旋转平移，达到多增加训练数据的目的