pointnet

無序性：雖然輸入的點雲是有順序的，但是顯然這個順序不應當影響結果。
點之間的交互：每個點不是獨立的，而是與其周圍的一些點共同蘊含了一些信息，因而模型應當能夠抓住局部的結構和局部之間的交互。
變換不變性：比如點雲整體的旋轉和平移不應該影響它的分類或者分割

圖片中"mlp"代表"multi-layer perceptron"（多層感知機）。其中，mlp是通過共享權重的卷積實現的，第一層卷積核大小是1x3（因為每個點的維度是xyz），之后的每一層卷積核大小都是1x1。即特征提取層只是把每個點連接起來而已。經過兩個空間變換網絡和兩個mlp之后，對每一個點提取1024維特征，經過maxpool變成1x1024的全局特征。再經過一個mlp（代碼中運用全連接）得到k個score。分類網絡最后接的loss是softmax。

 為了對各種幾何空間轉換有不變的特性，作者設計了一個T-Net的架構

 

Joint Alignment Network：為了對各種幾何空間轉換有不變的特性，作者設計了一個T-Net的架構，類似Image中的Spatial Transformer Network，這樣的T-Net可以在Input或是中間的Feature Layer中學習出有效的Affine Transformation Matrix，讓不同的Point Cloud Data的Feature可以對齊在一塊。微型網絡（T-Net）學習一個獲得 變換矩陣的函數，並對初始點雲應用這個變換矩陣，這一部分被稱為 輸入變換。隨后通過一個mlp多層感知機后，再應用一次變換矩陣（ 特征變換）和多層感知機，最后進行一次最大池化。

作者：隅子醬
鏈接：https://zhuanlan.zhihu.com/p/75145963
來源：知乎
著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請注明出處。