论文阅读：PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

论文名称：PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

主要内容：
本文利用点云的无序性和旋转不变性，提出了一个深度网络，直接将点云的（x，y，z）坐标作为输入，根据网络结构的不同可以完成分类、目标部分分割和场景分割任务。

解决的问题：
神经网络通常处理的数据都是有规范格式的，例如图片，文本信息。然而点云作为一种不规范的、无序数据，通常转化为以下几种形式再输入网络：

1 栅格（体素）
转化为规范形状的栅格，用0或1表示是否存在物体。栅格单元小则充斥大量0数据，栅格单元大则丢失很多特征信息。

2 2D图像
将3D点云映射为2D图像，利用2D神经网络进行分类。丢失大量特征信息。

3 Mesh
由三角面片和正方形面片组成。

4 向量特征
从3D点云提取向量特征，然后用全连接网络进行分类。丢失大量信息。

本文的思想是直接利用3D点云的原始数据，x，y，z和其他信息（本文只利用了坐标信息）作为网络输入，在不丢失任何信息的情况下取得了较好的性能。

方法：

点云的无序性：

3D点云可以表示为一个n×3的矩阵，它代表的信息和矩阵中每个点所处的矩阵位置无关，因此利用对称函数处理3D点云。