【深度学习——点云】PointNet

这篇文章是发表在CVPR 2017上的一篇关于对点云数据进行分类与分割的文章，文章链接：PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

1. Background

大数据时代下3D数据的日益增多，急需一套有效的针对3D数据的深度学习网络来进行分类、分割等任务。点云是一种简洁的、最接近原始传感器数据的结构，在深度学习之前，大多数针对点云数据的特征提取都是手工构造的方法，例如PFH、VFH、RIFT等，这类方法不够高效，对信息的利用率不够高。

但是深度学习模型一般针对是具有规则结构的栅栏型数据如语音、图像，如下图（a），但是点云数据，如图（b）（c）是2D点云数据，是不规则的且无序的。如果网络要处理这样的数据并进行分类，那就要满足两个条件：（1）改变输入点的顺序不会改变最终预测结果，即Invariant to permutation；（2）相同种类的不同点云样本，可能通过不同的采样方式进行采样，使得它们虽然具有相同的结构，却在不同的参考坐标系下，网络需要对这种点云结构的移动、旋转、缩放具有不变性，即Invariance to geometric transformations。

2. Related Work

在此之前，针对点云的处理方法有（1）手工构造