PointNet学习笔记

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/ShuqiaoS/article/details/82983696

PointNet学习笔记（一）—— 论文

本文记录了博主在学习《PointNet: Deep Learning on Point Sets for 3D Clasification and Segmentation》过程中的总结笔记。更新于2019.4.9。

Introduction

网络输入：点云输据（point clouds）；
网络输出：将输入视作一个整体的标签，或输入内每个分割部分（segment/part）的标签。

每个点的基本描述是其坐标$(x,y,z)(x,y,z)(x,y,z)$γ。关于Theorem的证明可以在支撑材料中找到。

这个理论显示，在最坏的情况下，网络也会将空间等分成voxel以描述输入。然而，实验显示，网络的学习结果要比这个好很多。

2. Bottleneck dimension and stability.

实验和理论标明，PointNet的表现严重受到max pooling层维度的影响（也就是公式（1）中的$K$