点云深度学习（pointnet）

一周前看过pointnet文章，也跑了pointnet的代码，但是没有跑出来（用的网上的GPU环境，就是简单的测测），现在打算梳理一下，并且用公司电脑跑完pointnet.

 

参考博主： https://blog.csdn.net/hongbin_xu/article/details/84638109

                   https://www.jiqizhixin.com/articles/2019-05-10-13

对其重要地方加深理解。

1. pointnet网络架构

 2.关键流程

• 输入为一帧的全部点云数据的集合，表示为一个nx3的2d tensor，其中n代表点云数量，3对应xyz坐标。

• 输入数据先通过一个T-Net学习到的转换矩阵相乘来对齐，保证了模型的对特定空间转换的不变性。

• 通过多次mlp对各点云数据进行特征提取后，再用一个T-Net对特征进行对齐。

• 在特征的各个维度上执行maxpooling操作来得到最终的全局特征。

• 对分类任务，将全局特征通过mlp来预测最后的分类分数；对分割任务，将全局特征和之前学习到的各点云的局部特征进行串联，再通过mlp得到每个数据点的分类结果。

 

下面就是跑完官方的pointnet 分类代码，最好自己制作数据集 完整的来一遍，边做边试。 

16.17开始跑的模型：（1660ti,速度还是慢啊！！！）迭代一次（epoch）大概80s;

大概晚上10点钟左右出来的。

这里一共跑了250次，如果想要更改次数（时间真的太长了。。。），请打开log文件夹下的log_train.txt文件里面有参数设置的功能。（好像不是这里，这个运行后才创建的文件夹）

https://blog.csdn.net/qq_40234695/article/details/86223577

这个博主写的相对详细。