pointnet 结果可视化_PointNet论文复现及代码详解

写在前面

本文主要对PointNet(之前有解读论文)的代码进行了分析和解读，有助于进一步理解其思想。可以发现，PointNet的结构并不复杂，比起CNN还要简单一些。理解PointNet关键在于理解一维卷积在网络中的作用，本文对该部分进行了详细的说明。另外，可以看到，PointNet最大的缺陷就是没有考虑周围的局部信息，所有的卷积操作都是针对单个点的进行的。这一点在PointNet++中得到了关注，后面的文章会对其进行解读。

1. 代码下载

这部分很简单啦，github上作者放出了TensorFlow的版本，这里使用的是Pytorch的版本，链接如下：PointNet-Pytorch代码。

按照页面的指示把代码和数据集下载到本地。

2. 数据集

首先看一下数据集到底是什么样的，这里用的包含16类样本的ShapeNet。里面有好多个文件夹，每个文件夹里面放着同一类的样本，每个文件夹对应类别如下：

打开第一个Airplane的文件夹，里面很多.pts格式的文件，这就是不同飞机模型的点云格式，里面放的就是一个个坐标点，坐标是经过归一化的。

然后使用下载好的文件里面的一个可视化代码，稍微修改一下，看一看数据到底长什么样。下图是一个飞机和一个包。

针对分类问题，在训练时直接读取点数据及类别。在dataloader里面，对每个样本的坐标进行了中心化及随机增强。另外，值得注意的一点是，在输入网络训练之前，还对样本进行了特定数量的随机重采样，目的就是为了保证输入到网络的样本的点的数量都是一样的，所以严格来说，网络对于样本中点的数量并不是没有要求。

3. 模型及实现

a. 关于一维卷积conv1d

在PointNet中，用到的卷积操作都是conv1d，和卷积神