点云深度学习系列1——PointCNN代码阅读心得

最新推荐文章于 2025-02-25 16:10:23 发布

Leroy Sane

最新推荐文章于 2025-02-25 16:10:23 发布

阅读量1w

点赞数 7

本文链接：https://blog.csdn.net/qq_33278989/article/details/80047252

版权

本文详细解读PointCNN代码，探讨其核心的X变换在特征提取和邻域排序问题上的应用。作者通过非传统的卷积操作解决K邻域排序，避免了maxpooling，并使用密集层与可分卷积。尽管训练X变换矩阵相对复杂，但其创新思路为点云处理提供了新视角。点云处理领域的后续研究如SONet试图解决中心点选择问题，以提高模型鲁棒性。

摘要由CSDN通过智能技术生成

先是一点题外话，作者的Github维护的很好，经常更新，而且对读者的答疑也很及时，大赞。下面进入正题。

看过代码的同学都知道，作者的核心思想X变换在代码pointcnn.py中，里面主要包含两部分，特征提取和X矩阵训练。下面分开来说。

用于提取邻域特征的只有两个dense层（也叫fc层/MLP），很简单地将尺度为（P,K,C）的邻域结构升维到了（P,K,C’）。

    # Prepare features to be transformed
    nn_fts_from_pts_0 = pf.dense(nn_pts_local_bn, C_pts_fts, tag + 'nn_fts_from_pts_0', is_training)#fc1, (N, P, K, C_pts_fts)
    nn_fts_from_pts = pf.dense(nn_fts_from_pts_0, C_pts_fts, tag + 'nn_fts_from_pt', is_training)#fc2, features, f_delta
    if fts is None:
        nn_fts_input = nn_fts_from_pts
    else:
        nn_fts_from_prev = tf.gather_nd(fts, indices, name=tag + 'nn_fts_from_prev')
        nn_fts_input = tf.concat([nn_fts_from_pts, nn_fts_from_prev], axis=-1, name=tag + 'nn_fts_input')

接下