小白的无人驾驶之路

一、激光雷达小知识

无人驾驶小知识系列（激光雷达篇）

一文总结激光雷达基本性能指标

二、PointNet家族

PointNet家族简介（一）
PointNet解读
【3D视觉】PointNet和PointNet++

1.通过计算发射和接受的时间差，就可以知道反射点距离摄像头的位置。
2.点云通常有如下特征：
（1）稀疏性：点云数据仅存在于物体表面。
（2）数据缺失：由于遮挡导致部分表面未被扫描到。可通过多角度扫描后进行对齐来缓解。
（3）数据噪声：仪器本身的精度或者环境因素导致。
（4）非均匀性：由仪器的采样策略、相对位置、扫描范围等因素引起。
3.网络直接从点云数据中学习特征至关重要，因为转换表示会造成不必要的信息损失，某些其他表示也会不利于网络学习。
4.在点云数据中，每个点除了带有坐标 (x,y,z) 以外，通常也可以有其它数据，例如法向量、颜色等等。

PointNet
这篇文章是点云神经网络的鼻祖，它提出了一种网络结构，可以直接从点云中学习特征。
如何设计出符合点云特点的网络是一个难点。该文章在分类、语义分割两种任务上做出了对比，并给了理论和实验分析。
点云的特点其实非常好理解：
（1）排列不变性：重排一遍所有点的输入顺序，所表示的还是同一个点云数据，网络的输出应该相同。
（2）点集之间的交互性：点与点之间有未知的关联性。
（3）变换不变性：对于某些变换，例如仿射变换，应用在点云上时，不应该改变网络对点云的理解。
仿射变换：由一个非奇异的线性变换(运用一次函数进行的变换)接上一个平移变换组成。

OpenCV学习笔记之仿射变换

PointNet 是这么处理这三个问题的：
1.排列不变性： 该文章使用了对称函数（Symmetry Function），它的特点是对输入集合的顺序不敏感。这种函数非常多，如 maxpooling，加法，向量点积等。PointNet 采用的是 maxpooling 方法来聚合点集信息。
2.交互性：实际上，对称函数的聚合操作就已经得到了全局的信息，此时将点的特征向量与全局的特征向量 concat 起来，就可以让每个点感知到全局的语义信息了，即所谓的交互性。
3.变换不变性：只需要对输入做一个标准化操作即可。PointNet 使用网络训练出了 D 维空间的变换矩阵。
什么是maxpooling ?

CNN中maxpooling的作用

CNN中Max Pooling的作用

Max Pooling只保留一个最大值，所以即使某个特征出现多次，现在也只能看到一次，就是说同一特征的强度信息丢失了。