PointNet：Deep Learning on Point Sets for 3D Classification and Segmentation论文笔记(二)

PointNet是一个通过直接处理原始点云的网络，根据点云的两大特性（置换不变性和旋转不变性）有以下分析：

一.置换不变性：

我们可以利用max函数（对称函数）设计一个很简单的点云网络，如下：

但是这样的网络有一个问题，就是每个点损失的特征太多了，输出的全局特征仅仅继承了三个坐标轴上最大的那个特征，因此我们不妨先将点云上的每一个点映射到一个高维的空间（例如1024维），目的是使得再次做MAX操作，损失的信息不会那么多。

此时我们发现，当我们将点云的每个点先映射到一个冗余的高维空间后，再去进行max的对称函数操作，损失的特征就没那么多了。由此，就可以设计出这PointNet的雏形，称之为PointNet(vanilla)：

二.旋转不变性：

点云的旋转不变性指的是，给予一个点云一个旋转，所有的x , y , z坐标都变了，但是代表的还是同一个物体。

因此对于普通的PointNet(vanilla)，如果先后输入同一个但是经过不同旋转角度的物体，它可能不能很好地将其识别出来。在论文中的方法是新引入了一个T-Net网络去学习点云的旋转，将物体校准，剩下来的PointNet(vanilla)只需要对校准后的物体进行分类或者分割即可。