点云深度学习系列4——PointNet分析

今天要聊的论文是斯坦福大学Charles等人在CVPR2017上发表的论文，提出了一种直接处理点云的深度学习网络——PointNet。这篇论文具有里程碑意义，标志着点云处理进入一个新的阶段。为什么会给这么高的评价呢？

 

因为在PointNet之前，点云没办法直接处理，因为点云是三维的、无序的，别说深度神经网络了，就是普通算法很多都不能奏效。于是人们想出来各种办法，比如把点云拍扁成图片（MVCNN），比如把点云划分成体素（类似游戏“我的世界”里的场景），再比如把点云划分成节点然后按顺序拉直（O-CNN）等等。总之，点云先要被处理成“非点云”。

这些想法怎么样呢？其实也挺不错的，也能取得不错的结果。比如MVCNN的有些指标就不输PointNet。

这时候我们就会觉得，冥冥中一定会有一种网络出现，摆脱上面这些操作。于是，PointNet出现了，从此点云处理领域分成“前PointNet时代”和“后PointNet时代”。接着，各种直接处理点云的网络也纷纷出现，如PointCNN、SO-Net，效果也是越来越好。

下面进入正题，看看PointNet有哪些创新点。

1、针对点云无序性——采用Maxpooling作为对称函数。最大池化操作就是对所有成员进行比较，把最大的留下来，其余舍弃掉，所以，不管顺序如何变化，最大值是不会改变的。

 

对称函数是什么意思？例如加