脚本宝典收集整理的这篇文章主要介绍了点云神经网络：point_net（一），脚本宝典觉得挺不错的，现在分享给大家，也给大家做个参考。

三维数据的表述形式一般分为下列四种：

（1）点云：由N NN个D DD维的点组成，当这个D = 3 D=3D=3的时候一般代表着( x , y , z ) (x,y,z)(x,y,z)的坐标，当然也可以包括一些法向量、强度等别的特征。这是今天主要讲述的数据类型。（2）Mesh：由三角面片和正方形面片组成。（3）体素：由三维栅格将物体用0和1表征。（4）多角度的RGB图像或者RGB-D图像。点云优势：

（1）点云更接近于设备的原始表征（即雷达扫描物体直接产生点云）。（2）点云的表达方式更加简单，一个物体仅用一个N × D 的矩阵表示。pointnet出现之前，点云在深度学习里的应用：

（1）基于3DCNN的体素模型：先将点云映射到体素空间上，在通过3DCNN进行分类或者分割。但是缺点是计算量受限制，目前最好的设备也大致只能处理32 × 32 × 32 32times32times3232×32×32的体素；另外由于体素网格的立方体性质，点云表面很多特征都没有办法被表述出来，因此模型效果差。（2）将点云映射到2D空间中利用CNN分类（3）利用传统的人工点云特征分类，例如：         normal 法向量         intensITy 激光雷达的采样的时候一种特性强度信息的获取是激光扫描仪接受装置采集到的回波强度，此强度信息与目标 的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波长有关         local density 局部稠密度         local curvature 局部曲率         linearity, planarity and scattering PRoPEsed by Dimensionality based scale selection in 3D lidar point clouds         verticality feature proposed by Weakly supervised segmentation-aided classification of urban scenes From 3d LiDAR point clouds1.POINTNET

点云所具有的两个非常重要的特性：

（1）permutation inVARiance 置换不变性

point cloud is a set of unordered points.点云是无需点的集合

（2）transformation invariance

point cloud rotations should not alter classification results.点云旋转不改变分类结果

2. 基于点云的置换不变性

简单来说，置换不变性就是点的排序不影响物体的性质

因此针对点云的置换不变性，其设计的网络必须是一个对称的函数。

最简单的是max函数，即是一个对称函数：

[1,2,3]

[1,3,2]=====>;max()=====>[2,3,3]

[2,2,2]

改变上述三个坐标的排序，并不影响最终的输出结果。

但是这样做，每个点损失的特征太多了，输出的全局特征仅仅只是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个点映射到一个高维的空间，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)。

3.基于点云的旋转不变性

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。

脚本宝典总结

以上是脚本宝典为你收集整理的点云神经网络：point_net（一）全部内容，希望文章能够帮你解决点云神经网络：point_net（一）所遇到的问题。

如果觉得脚本宝典网站内容还不错，欢迎将脚本宝典推荐好友。

本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ：384754419，请注明来意。